先判断文件类型和内容形态。可复制文字的 PDF 优先提取文本与版面；扫描版需要 OCR；图片中的图表可能还需视觉模型或专门解析器辅助理解。 保留标题层级、段落顺序、页码和区域坐标。多栏 PDF 不能简单按字符坐标拼接，否则两列内容容易交错。表格要保留表头、行列关系、单位和脚注，跨页表格需要合并或建立关联。 网页应提取正文，去掉导航和广告，保存 URL、抓取时间及必要的动态内容。图文混排材料中，图片说明与相邻段落应保持对应关系。 重要字段要做抽样核对或规则校验，低置信度内容标记待复核。解析结果最好保留到原始页面的映射，方便回答引用和人工追查。