Protocol 实体抽取

从 Protocol PDF/DOCX 中抽取 SAP 所需的全部关键实体，输出结构化 JSON。

Quick Start

from utils.document_parser import get_document_parser
parser = get_document_parser()
synopsis = await parser.parse(protocol_path, page_range=[1, 15])
stats = await parser.parse(protocol_path, page_range=[90, 115])

解析策略

多段定向解析：Synopsis(p1-15,高表格) -> Design(p30-50) -> Statistics(p90-115,纯文本) -> SAP Appendix(p240+)

解析引擎（四级降级）

DocumentParser 自动选择最优引擎：

1. Unstructured API (云端) — 需要 UNSTRUCTURED_API_KEY，表格+OCR 最强
2. Docling (本地 AI) — IBM 开源，视觉+语言模型做表格识别，无需 API Key，推荐本地首选
3. pdfplumber (本地) — 文本+简单表格
4. PyPDF2 (本地) — 仅纯文本兜底

如果 UNSTRUCTURED_API_KEY 未配置且 Docling 已安装，会自动使用 Docling（表格识别精度远高于 pdfplumber）。

References

• prompts/ — 6 个专用抽取 Prompt
• scripts/parse_protocol.py — 多段解析编排
• scripts/merge_entities.py — 实体合并与交叉验证
• schemas/protocol_entities.json — 输出 JSON Schema
• reference/section_mapping.md — 章节分类规则