PDF 正文喂给 AI 总夹着页眉页脚，怎样生成可复核的干净阅读稿

先从每页文本块的位置与跨页重复情况找页眉页脚候选，再人工批准删除位置，导出带page_id的阅读稿。同一个词在正文里出现时应保留，不能把页眉字符串在全文一删了之。

从页面坐标建立候选

附件生成五页真实PDF，每页顶部都有SYNTHETIC REPORT，底部有递增页码，正文还故意重复同名词。脚本用页面上方与下方的明确坐标带区分边缘和正文，统计同一规范化文本跨页出现比例。页码仅按本例的Page加数字规则规范成Page #，不是把所有数字都删掉。尺寸、边带阈值和重复比例都属于本地示范选择，不是所有PDF的通用真值。

让拟移除块先可见

margin-candidates.csv逐块保存物理页号、区域、原文、是否建议及是否确认；marked-preview.png在第一页标出已批准的块。阅读者先看预览是否真的框住页眉页脚，再决定是否接受。首页标题、章标题或脚注可能靠近页面边缘，跨页重复的词也可能就是正文；因此程序只用一张明确的批准白名单回填，不把候选自动当作可删内容。

导出仍能回查来源的文本

clean-reading.txt按page_id分隔五页，正文中的“appears in body too”五处应全部存在，页眉页脚则不进入阅读稿。原PDF不覆盖、不涂改，方便在模型摘要产生疑问时回到来源。仅仅读出了文本不代表阅读顺序正确：多栏、表格、脚注与扫描件可能需要不同提取策略。提交给模型之前，应抽查跨栏顺序及关键表格是否已被打散。

阈值失灵时回到人工判断

边界命令把一个正文标题加入拟移除候选，但它不在批准的边带名单里，所以仍保留。这用于证明“发现候选”和“确认删除”是两个动作。真实页眉可能只在奇数页出现，不能为提高重复率随意降低阈值并自动删文；应该分组核查页面结构。此包只对合成PDF做了本地提取与预览，没有让AI识别版面，也没有保证任意长文都可无损清理。

更换页面尺寸或处理横向页面时，应按各页几何重新确定边带，而不是继续使用这份示例的固定坐标。预览可优先抽看首页、奇偶页与章节转换页；一份文档里常有多种版式，不能仅凭第一页正常就批量确认所有页面。

下载与复现

下载完整样例包，解压到一个新文件夹；也可查看全部文件清单和主脚本。使用Python 3.10或更新版本，在解压目录运行。依赖写在安装清单，建议在自己创建的虚拟环境安装。

python -m pip install -r requirements.txt
python -B run.py
python -B run.py --negative

先查看主要结果，再修改输入重跑；已有输入会保留，结果写回同目录。边界命令可能故意非零退出，也可能输出明确的不适用状态，按正文说明判断，不把所有非零退出都当成安装故障。

依据与延伸阅读

资料核对日期为2026年10月24日。一手资料1：PDF文本块携带坐标，适合构建页面边带候选；位置不直接证明内容可删除。

继续阅读：WorkBuddy 怎么从 PDF 里提取内容：抽正文、抽表格、批量抽字段的指令与验收；AI 整理 OCR 正文时，怎样修复换行断词又保留真正的连字符；AI 生成的长 PDF 翻页很费劲，怎样补一份能直接跳章节的书签目录。