你是用fitz直接转的吗？我试了转html再提取词头不好用，就没试别的方案了。
pdf这种文件格式可谓不思进取，也落后于时代了，它只保证最终视觉呈现的正确和一致，并不维护原始的文本flow、layout和结构，把这些信息也存储下来，并不会增加多少数据量，却无疑会大大方便数据进一步的转换和利用。
你是用fitz直接转的吗？我试了转html再提取词头不好用，就没试别的方案了。
pdf这种文件格式可谓不思进取，也落后于时代了，它只保证最终视觉呈现的正确和一致，并不维护原始的文本flow、layout和结构，把这些信息也存储下来，并不会增加多少数据量，却无疑会大大方便数据进一步的转换和利用。