面临的问题
关键数字往往藏在 PDF 里：年报、价目表、监管备案文件、研究论文。手工抄录根本无法规模化，而通用 PDF 库只会返回一大段无法查询的纯文本。
应用案例
无需自己编写解析器，就能从 PDF、年报和监管备案文件中提取结构化字段。process_document 负责读取文件并输出文本、章节与元数据，extract_with_llm 再按你定义的结构返回带类型的 JSON，默认走本地 Ollama，文档内容不出本机。
预估费用：每篇文档约 5 credits
01快速解答
把 process_document（2 credits）指向一个 PDF URL 或本地文件，即可得到文本、章节和元数据，再把这些文本连同一份 JSON 结构定义交给 extract_with_llm（3 credits），就能拿回带类型的字段。每篇文档大约 5 credits，而且提取默认使用本地 Ollama 模型，内容始终留在你的机器上。
02问题与方案
解决方案
CrawlForge 的 process_document 可从 PDF URL 或本地文件中提取文本、章节和元数据，extract_with_llm 再把这些文本转成你指定的 JSON 结构——默认运行在本地 Ollama 上，文档内容永远不会离开你的机器。
03代码
代码示例
pdf-document-extraction.js
// Pull structured fields out of a PDF reportconst doc = await mcp.process_document({ source: "https://example.com/2026-annual-report.pdf", sourceType: "pdf_url", options: { extractText: true, extractMetadata: true },}); // Ask for exactly the fields you need, as JSONconst fields = await mcp.extract_with_llm({ content: doc.text, prompt: "Extract fiscal year, revenue, operating margin, and headcount.", schema: { type: "object", properties: { fiscalYear: { type: "string" }, revenue: { type: "string" }, operatingMargin: { type: "string" }, headcount: { type: "number" }, }, },}); console.log(doc.metadata.pageCount);console.log(fields.data);04工具链
使用的工具
5◆ credits
预估费用：每篇文档约 5 credits
- https://…
- 01process_
document 2 credits - 02extract_
with_ llm 3 credits - JSON · markdown
05常见问题
常见问题
01如何自动从 PDF 中提取数据？
把 process_document 指向 PDF 的 URL 或文件，得到文本、章节和元数据，然后把这些文本连同描述所需字段的 JSON 结构发送给 extract_with_llm。你拿回的是带类型的 JSON，而不是一大段纯文本。
02PDF 必须放在网上吗？
不必。process_document 通过 sourceType 接受 URL 或本地文件路径——url、pdf_url、file 或 pdf_file——并提供 pageRange、maxPages 等选项，让你只处理关心的那几页。
03提取使用的是哪个模型？
extract_with_llm 默认使用本地 Ollama 模型，因此文档内容不会离开你的机器。想改用云端模型时，传入 provider openai 或 anthropic 以及对应的 API key 即可。
04文档提取要花多少 credits？
每篇文档大约 5 credits：process_document 占 2 credits，extract_with_llm 占 3 credits。免费的 1,000-credit 套餐大约可处理 200 篇文档，足够你在升级前用真实的档案库验证整条流水线。
06继续探索
相关应用案例
RAG 知识库数据接入
把文档站点转换成干净、可直接分块的 markdown，用于检索增强生成（RAG）。先用 map_site 枚举全部页面，再用 scrape 抓取并剥离导航与广告等样板内容，最后用 summarize_content 生成摘要，在向量化之前就把语料整理干净。
map_site 2 creditsscrape 2 creditssummarize_content 4 credits
实时研究智能体
构建能检索网页、综合信息并输出最新研究结论的 AI 智能体。每条结论均标注来源，确保答案始终可核查。
deep_research 10 creditssearch_web 5 credits