文档摄取与解析：从可观察过程理解应用

把PDF、图片、表格、网页和代码变为带血缘的检索材料。解析不是把文件扩展名换成文本，而是保住阅读顺序、结构、坐标、权限和更新语义。

从哪里开始

需要 Python 字符串、列表、字典、函数；文件读写和 JSON。先从可控的小文档观察数据结构，再使用真实解析器。

按下面顺序阅读，每章先运行正文，再做输入发生变化的练习。代码各自保存为 lab.py，使用 Python 3.11+ 执行 python3 lab.py。框架与真实解析/训练例子会另给固定Python3.12环境及安装步骤；纯标准库实验无模型调用费用。

阅读顺序

1. 文档分类、阅读顺序与PDF：先理解过程，再改变输入。
2. OCR、表格与结构校验：先理解过程，再改变输入。
3. 网页、代码与不可信内容：先理解过程，再改变输入。
4. 元数据、幂等更新与删除传播：先理解过程，再改变输入。

完整目录见学习路线。