file是操作系统层面的数据存储单元，document是强调结构与语义的信息载体；前者关注路径、大小等元信息，后者侧重内容组织与用途，可由多个file构成或完全脱离文件系统。
要准确区分 document 和 file，必须结合使用场景——在操作系统层面处理数据读写时用 file，在内容组织、信息表达或人机交互中强调结构与语义时用 document。
计算机底层视角：file 是存储单位
file 指操作系统可识别的一个数据单元，有明确路径、大小、创建时间等元信息。它不关心内容是什么，只负责承载和定位。
执行 ls -l /tmp/test.txt 或 os.path.getsize("report.pdf") 时，你操作的对象就是 file。
所有二进制数据（.jpg、.wav、.exe）和文本数据（.txt、.csv）都属于 file；哪怕一个空文件，只要被写入磁盘并分配了 inode，它就是一个合法的 file。
【关键前提】 file 必须存在于文件系统中才有意义——内存中的字符串、网络流、数据库记录都不算 file，除非被持久化到磁盘或类似设备。
内容与用途视角：document 是信息载体
document 强调内容的组织性、可读性和目的性。一份 Word 文档、PDF 报告、HTML 页面、甚至一封带附件的电子邮件，都是 document。
它可能由多个 file 构成：比如一个 PowerPoint 演示文稿（.pptx）实际是 ZIP 压缩包，内部包含 /slides/slide1.xml、/media/image1.png 等多个 file，但对外呈现为一个逻辑完整的 document。
JavaScript 中的 document.title 或 document.URL 不指向磁盘路径，而是当前加载的 HTML 内容对象——这个 document 可能来自本地 file，也可能来自远程服务器响应流，甚至完全由 JS 动态生成。
使用 SoMark 将 PDF、图片（PNG/JPG/BMP/TIFF/WebP/HEIC）、Word、PPT 及其他文档解析为 Markdown 或 JSON，满足各类文档解析需求（如简历等）。
开发实践中的典型分野
方法一：Java 文件 I/O 场景
用 java.io.File 判断是否存在、重命名、获取路径——这是纯 file 操作；而用 org.apache.lucene.document.Document 构建索引时，add 的是 title、content、author 等字段，此时 Document 是抽象的信息容器，与磁盘 file 无直接绑定关系。
方法二：Web 前端场景
document.getElementById("header") 查找的是 DOM 树节点，不是文件系统里的某个 file；fetch("/api/data.json") 请求返回的 response.body 是 ReadableStream，它背后可能对应服务器上的一个 .json file，但前端代码从不直接访问那个 file 路径。
方法三：办公软件场景
在 Word 中点击“另存为”，选中“Word 文档（*.docx）”——你正在把当前编辑的 document 序列化为一个 file；若选“网页（*.htm）”，则同一个 document 会被导出为两个 file：.htm 主文件 + _files/ 子目录，但用户仍认为这是“一个 document”。
注意：Windows 资源管理器里右键 → “属性”看到的“文档”标签页，显示的是该 file 被系统识别出的 document 类型（如作者、标题），这其实是从 file 内嵌元数据提取的，不是 file 本身的属性。
