[JunieXD]

关联

Closes #47

改了什么

图片附件的识别已在 #74 合并，这个 PR 接上 #47 剩下的扫描的 PDF：有的通知把文件扫描成 PDF 挂出来，pypdf 取不出文字，抽取就看不到。

• PDF 的某一页取不出文字时，用 pypdf 取出这一页上的图片，交给 实现图片附件的文字识别 #74 的文字识别。扫描件一页就是一张图片，取出来的就是扫描时的原图，不另加渲染页面的库。
• pypdf 解出图片要用 Pillow，依赖写成 pypdf[image]；Pillow 已经随 RapidOCR 装上，锁定的版本都不变。
• 结果写进总体设计 §5.2，§5.1、§7.4、§16 跟着改，§18 去掉「扫描的 PDF 用哪个库渲染成图片」。

怎么验证的

• 扫描件少见：从 45 个来源最近的通知里取到 13 个 PDF，又从网上搜到 13 个高校推免通知的 PDF，全都有文字层。每个文件只下载一次，都没有提交进仓库。
• 挑出 8 份，把前两页渲染后存成三种扫描件（彩色 JPEG 200 dpi、黑白 300 dpi、页面转了 90 度），用这个分支构建的镜像，在 --cpus=4 --memory=3600m --network none 的容器里识别。其中 5 份有日期、时刻、网址和邮箱，共 18 项，空格不计：彩色认对 17 项，黑白 16 项，转过的 14 项；峰值内存最高 745 MiB。黑白的图片用 CCITT 压缩，镜像里能解开。
• 原来的中文图片测试改成同一张图存成 PNG 和 PDF 各测一次：Pillow 存的 PDF 和扫描件一样，一页一张图、没有文字层。crawler/check.sh 通过，338 个测试。

影响

• 没有文字层的 PDF 附件现在有文字了；一页识别几秒，同一时刻仍只识别一张。
• 用 JBIG2 压缩的黑白扫描件，pypdf 要另装 AGPL 许可的解码程序才能解开，镜像里不装；这种附件和别的坏附件一样记一条日志、文字留空。
• 接口、MCP 工具和表结构不变。