第1章｜文档分类、阅读顺序与PDF

前置：本课程导读。数字PDF可能包含文本对象，扫描PDF可能只有页面图像，混合PDF可能两者都有。文件能选中文字不等于顺序正确：绘制顺序、视觉阅读顺序、语义结构是三件事。先检查页面是否有可用文本层，再决定直接提取、OCR或版面识别。

本章阅读

1. 文档分类、阅读顺序与PDF
2. 真实 PDF、扫描页与网页抽取

正文给出第一次完整实验，练习要求你改变其中一个条件并解释影响。完成后对照本章答案。