PDF文本提取器

要解决什么问题

Agent 或脚本里经常要把 PDF 里的可读文字拿出来做检索、摘要或结构化处理，但引入 PyPDF2、pdfplumber 等依赖会增加环境体积和版本冲突。本技能面向文本型 PDF，用 Python 标准库解析底层文本流，把「输入文件 → 文本或结构化结果」收敛成几条固定流程，输出以 JSON 为主，方便下游对接。

核心能力与用法

1. 全文提取：给定 PDF，返回文档全部文本内容。
2. 页面提取：给定 PDF 与页码范围，只返回指定页的文本。
3. 元信息提取：读取标题、作者、创建时间等文档元数据。
4. 关键词统计：在全文基础上做词频统计，并归纳关键信息。

实现上不走 OCR，也不包装第三方解析库；遇到加密或结构损坏的文件会返回明确错误，而不是静默失败或乱码。

适用边界

• 仅适用于内嵌文本流的 PDF；扫描件、纯图片页没有可解析文本流，需另配 OCR，不在本技能范围内。
• 加密 PDF须先解密再提取。
• 复杂版式、特殊字体编码可能导致个别字符缺失或顺序与视觉排版不完全一致，这是流式解析的常见取舍。