处理5个文件

.cursorrules

@@ -106,4 +106,113 @@ XingCe/              # 行测
 ```
 
 ## 特殊指令
-当用户说"分析这个文件"、"总结一下"、"提取重点"等类似指令时，自动按照上述分类框架进行内容整理和归纳，并按照文件组织结构创建相应的Markdown文件。 
+当用户说"分析这个文件"、"总结一下"、"提取重点"等类似指令时，自动按照上述分类框架进行内容整理和归纳，并按照文件组织结构创建相应的Markdown文件。
+
+## PDF OCR处理规则
+
+### 技术工具配置
+当需要处理PDF文件时，使用以下OCR工具链：
+
+#### 1. 依赖库安装
+```python
+# 核心OCR库
+pip install PyMuPDF  # 推荐：简单高效，直接提取PDF文本
+# 或者使用pytesseract方案（适用于图片型PDF）
+pip install pytesseract pdf2image pillow
+```
+
+#### 2. Tesseract OCR引擎安装（Windows）
+```bash
+# 使用winget安装（推荐）
+winget install UB-Mannheim.TesseractOCR
+# 或手动下载安装：https://github.com/UB-Mannheim/tesseract/wiki
+```
+
+### PDF处理标准流程
+
+#### 1. 文本提取脚本（推荐方案）
+创建`pdf_ocr_processor.py`脚本，使用PyMuPDF：
+```python
+import fitz  # PyMuPDF
+import os
+
+def extract_text_from_pdf(pdf_path, max_pages=20):
+    """从PDF提取文本，限制页数防止处理时间过长"""
+    try:
+        doc = fitz.open(pdf_path)
+        text = ""
+        for page_num in range(min(len(doc), max_pages)):
+            page = doc[page_num]
+            text += page.get_text()
+        doc.close()
+        return text
+    except Exception as e:
+        print(f"处理文件 {pdf_path} 时出错: {e}")
+        return None
+
+def process_pdf_files(input_dir="doc/", output_dir="extracted_texts/"):
+    """批量处理PDF文件"""
+    if not os.path.exists(output_dir):
+        os.makedirs(output_dir)
+    
+    for filename in os.listdir(input_dir):
+        if filename.lower().endswith('.pdf'):
+            pdf_path = os.path.join(input_dir, filename)
+            text = extract_text_from_pdf(pdf_path)
+            if text:
+                output_filename = f"{os.path.splitext(filename)[0]}_extracted.txt"
+                output_path = os.path.join(output_dir, output_filename)
+                with open(output_path, 'w', encoding='utf-8') as f:
+                    f.write(text)
+                print(f"成功处理: {filename} -> {output_filename}")
+```
+
+#### 2. 文件处理要求
+- **页数限制**：每个PDF最多处理前20页，防止处理时间过长
+- **文本保存**：提取的文本保存到`extracted_texts/`文件夹
+- **命名规范**：原文件名 + `_extracted.txt`后缀
+- **编码格式**：统一使用UTF-8编码
+
+#### 3. 文本质量检查
+- **准确性验证**：检查专业术语、人名、地名、数据的提取准确性
+- **结构保持**：保留原文的段落结构和逻辑层次
+- **特殊字符**：处理PDF中的特殊符号、公式、表格
+
+### 处理后工作流程
+
+#### 1. 基于真实内容重新整理
+- **替换推测内容**：用真实提取的内容替换之前基于文件名推测的内容
+- **保留精华要点**：提取授课老师的核心观点和教学重点
+- **增强考试针对性**：突出高频考点、真题分析、记忆技巧
+
+#### 2. 质量对比分析
+- **准确性提升**：基于真实内容，确保信息准确无误
+- **内容丰富度**：包含具体案例、数据、公式等详细信息
+- **实用性增强**：提供记忆口诀、易错提醒、考试技巧
+
+#### 3. 文档管理更新
+- **处理记录**：在`processed_files.md`中记录处理详情
+- **文件归档**：原PDF移动到`doc/processed/`文件夹
+- **版本标注**：标明"基于真实PDF内容"以区别于推测版本
+
+### 批量处理规范
+对于大量PDF文件的处理：
+1. **分批执行**：每次处理5-10个文件，避免系统负载过高
+2. **进度跟踪**：实时记录处理进度和质量状况
+3. **异常处理**：对无法正常提取的文件进行单独处理
+4. **质量抽检**：随机抽取处理结果进行质量验证
+
+### 技术替代方案
+如遇到PyMuFDF无法处理的特殊PDF（如扫描版），启用Tesseract方案：
+```python
+import pytesseract
+from pdf2image import convert_from_path
+
+def ocr_pdf_with_tesseract(pdf_path):
+    """使用Tesseract OCR处理扫描版PDF"""
+    images = convert_from_path(pdf_path)
+    text = ""
+    for image in images[:20]:  # 限制页数
+        text += pytesseract.image_to_string(image, lang='chi_sim')
+    return text
+```