PDF和图片文字提取

解决什么问题

在数字化办公中，从图片或 PDF 文档提取文字是常见需求，但传统方法常面临识别不准、格式丢失等挑战。具体问题包括：

• 扫描版文档转换：需要将图像中的文字准确转换为可编辑文本。
• 复杂内容识别：如发票、名片中的数字和混合文本，易出现混淆。
• 格式保留：保持原有排版、标题层级，便于后续编辑或分析。

技能如何工作

本技能通过自动化流程解决上述问题，核心能力与关键步骤如下：

核心能力：

• 图片文字提取：使用 read_image 工具进行全局识别，覆盖标题、正文、注释等。对数字执行二次校验：第一轮全局识别后，第二轮局部放大验证，静默处理易混淆数字（如 6/8/9/0），确保准确性。
• PDF 文字提取：通过 scripts/pdf_text_extractor.py 脚本提取文本，保留段落结构和标题层级，输出为 Markdown 格式。
• 多语言支持：识别中英文等多种语言文字。

关键步骤：

1. 接收文件：获取上传的图片 URL 或 PDF 路径。
2. 执行提取：根据文件类型，调用相应工具或脚本。
3. 格式化输出：生成结构化内容，可选生成 .md 文件或直接展示。

适用边界与注意点

技能功能有限制，使用时需注意：

• 文件格式：支持图片（PNG、JPG 等）和 PDF（文字版与扫描版），但扫描版可能提取不全。
• 识别准确性：受图像清晰度、字体影响；数字识别遵循“先看形状再判数字”原则，存疑时用 [?] 标注。
• 复杂布局：表格、多栏等布局提取效果可能不佳。
• 隐私与性能：文件仅在当前会话处理，不存储；建议文件小于 50MB 以避免性能问题。