文件扩展名不等于内容结构
同样是 PDF，有些文件保存了可以提取的文字，有些文件只是扫描图像的集合。前者可以从文档结构中提取文本，后者需要图像文字识别。
OCRASR 提供 PDF、DOCX、TXT 和 Markdown 的本地文档提取能力，文件上限为 100 MB。该入口针对文本内容；扫描 PDF 需要另外走图片 OCR 流程，不能把两者的能力混为一谈。
把结果整理为 Markdown
文档提取的输出面向 Markdown：让识别或解析结果成为可阅读、可整理的内容。TXT 和 Markdown 的处理尤其直接，办公文档则需要从其原有结构中提取信息。
当前实现使用 pypdf 提取 PDF 文本，使用 python-docx 处理 Word 文档，并把 DOCX 表格整理为 Markdown 表格。
PDF / DOCX / TXT / MD
↓
本地文档解析
↓
Markdown 文件
扫描页面 → 图片 OCR → 文字结果先描述边界，再描述能力
当一个入口叫“文档识别”时，使用者可能自然期待所有 PDF 都能处理。把“文本提取”和“扫描图像 OCR”区分开，有助于选择正确的输入方式。
好的技术说明既要展示能做什么，也要告诉使用者何时应该换一条处理路径。