先做样本

从每种来源挑一份代表文件。至少包含二级标题、一个有数字的表格,以及一段要被检索的原文。另存原始页码或段落位置,方便回查。

逐份转换

在隔离环境安装 markitdown,先处理一份已知安全的 HTML:markitdown sample.html -o sample.md。Word 或 PDF 按官方说明安装对应格式依赖。保留源文件,输出写入新目录。

验收再入库

逐项对照标题顺序、表头、单位、小数点和空单元格。表结构不可靠的结果不要进入自动问答。复杂 PDF 用具备版面解析的工具另跑一轮,再保留差异记录。