PDF和图片文字提取

SKILL.md

---
name: PDF和图片文字提取
description: 从图片或 PDF 文档中识别并提取文字内容，支持多种图片格式和 PDF 文件，自动判断是否包含文字并保留原始格式输出结构化结果；当用户需要从图片或 PDF 提取文字、进行 OCR 识别、处理含文字的文档或转换为可编辑文本时使用
dependency:
  python:
    - pymupdf>=1.23.0
---

# 文档文字提取器

## 任务目标

- 本 Skill 用于：从用户上传的图片或 PDF 文档中识别并提取文字内容
- 能力包含：图片文字检测、PDF 文字提取、格式保留、结构化输出、Markdown 文件生成
- 触发条件：用户上传图片或 PDF 并要求提取文字，或询问文档中的文字内容

## 前置准备

### 依赖说明

脚本所需的依赖包及版本：
```
pymupdf>=1.23.0
```

安装命令：
```bash
pip install pymupdf>=1.23.0
```

### 支持的文件格式

- 图片格式：PNG、JPG、JPEG、GIF、WebP、BMP 等常见格式
- 文档格式：PDF（支持扫描版和文字版）

## 操作步骤

### 标准流程

#### 图片文字提取流程

1. **接收图片**
   - 确认用户已上传图片文件
   - 获取图片的访问 URL

2. **识别图片内容**
   - 使用 `read_image` 工具识别图片内容
   - 在 prompt 中明确要求识别所有文字内容，包括标题、正文、注释、水印等

3. **判断文字存在性**
   - 如果检测到文字：进入步骤 4
   - 如果未检测到文字：告知用户"图片中未包含可提取的文字"，任务结束

4. **提取并整理文字**
   - 提取图片中的所有文字内容
   - 保持原有的结构和排版
   - 整理为易读的格式

#### PDF 文字提取流程

1. **接收 PDF 文件**
   - 确认用户已上传 PDF 文件
   - 获取 PDF 文件的本地路径

2. **调用脚本提取文字**
   - 执行命令：`python scripts/pdf_text_extractor.py <pdf_file_path>`
   - 脚本会自动提取所有页面的文本
   - 尽量保留原文的段落结构和标题层级

3. **处理提取结果**
   - 如果提取成功：进入步骤 4
   - 如果提取失败：告知用户错误信息，任务结束

4. **格式化输出**
   - 脚本返回的文本为 Markdown 格式
   - 可直接展示或保存为文件

### 统一输出步骤

5. **生成输出结果**
   - 根据用户需求生成 Markdown 文件
   - 包含文件来源、提取状态、文字内容等信息
   - 使用清晰的标题和结构组织内容

### 可选分支

- 当用户仅需查看文字内容：直接输出文字，不生成文件
- 当用户要求保存结果：生成 `.md` 文件
- 当图片/PDF 文字模糊或难以识别：说明情况并提供最佳识别结果
- 当 PDF 包含扫描图片：提示用户该页面为扫描图片，可能需要 OCR 处理

## 资源索引

- 必要脚本：见 [scripts/pdf_text_extractor.py](scripts/pdf_text_extractor.py)
  - 用途：从 PDF 文件中提取文本内容并保留格式
  - 参数：PDF 文件路径
  - 输出：JSON 格式结果，包含提取的文本和元信息

## 注意事项

### 图片文字提取
- **识别准确性**：文字识别结果受图片清晰度、字体、背景等因素影响，可能存在误差
- **文字排版**：提取时尽量保持原图的文字结构和顺序
- **多语言支持**：支持识别中文、英文等多种语言文字

### PDF 文字提取
- **格式保留**：脚本会尽量保留原文的段落结构和标题层级
- **扫描版 PDF**：如果 PDF 是扫描图片，文字可能无法提取，需要告知用户
- **复杂布局**：表格、多栏等复杂布局的提取效果可能不佳
- **加密 PDF**：不支持加密或受密码保护的 PDF 文件

### 通用注意事项
- **隐私保护**：处理的文件不会被存储，仅在当前会话中使用
- **文件大小**：建议处理小于 50MB 的文件，过大文件可能导致处理缓慢

## 使用示例

### 示例 1：图片文字提取

**用户操作**：上传一张包含文字的图片

**智能体处理**：
1. 使用 `read_image` 工具识别图片
2. 提取文字内容："所有经历的纠缠 / 还有难过的遗憾 / 都不可能没有意义"
3. 直接输出提取结果

### 示例 2：PDF 文字提取并保存

**用户操作**：上传 PDF 并要求"提取这个 PDF 的文字"

**智能体处理**：
1. 确认 PDF 文件路径
2. 执行脚本：`python scripts/pdf_text_extractor.py ./document.pdf`
3. 获取提取结果，包含 10 页内容
4. 生成 Markdown 文件：`./extracted_from_pdf.md`

### 示例 3：处理扫描版 PDF

**用户操作**：上传扫描版 PDF

**智能体处理**：
1. 执行脚本提取文字
2. 发现部分页面提取为空
3. 告知用户："检测到部分页面可能为扫描图片，文字无法直接提取。建议使用 OCR 工具处理。"