PDF扫描件/图片一键转文字

问题从哪来

扫描件 PDF 在磁盘里仍是「一页页位图」：markitdown、pdfplumber 这类文本提取往往得到 0 字。照片、截图、手机拍的表单同理——你要的是可编辑、可检索的文字，而不是再开一遍外部 OCR 网站把资料发出去。

本技能面向 本地脚本可执行的 Agent（如 Cursor、Claude Code、WorkBuddy）：用 Python 把 PDF 渲染成页图，再走识别并落盘为 _OCR.md。

双引擎怎么选

路线 A · RapidOCR（默认）：PyMuPDF 渲染 → rapidocr-onnxruntime（ONNX、纯 CPU）逐页识别 → 自动拼 Markdown。不依赖多模态、识别过程不占用对话 token，适合批量与 涉密首选（引擎 A 全程离线，数据不出本机）。脚本侧会做 EXIF 方向与倾斜校正、灰度增强（preprocess_img.py）。

路线 B · 多模态读图：PDF 先出 PNG，由支持读图的 Agent 逐页「看图识字」。表格可还原为 Markdown 表，手写、印章可按规范标注（〔手写：〕、〔印章：〕）。质量通常高于 A，但消耗多模态额度；隐私取决于 Agent 是否把图片送到云端，敏感资料应优先 A。

路线 B 汇总可用 write_ocr_md.py 写入 JSON 结构；A 一键由 ocr_offline.py 出稿。末尾应保留人工核对提示——关键数字与签名不能盲信 OCR。

边界与注意

• 路线 A：表格往往只有单元格文字、阅读顺序可能交错，不会自动输出规整 Markdown 表；手写识别率有限。
• 路线 B：当前模型不支持图片输入时，应退回 A 或换支持多模态的环境。
• 用户若明确要求「识别安全隐患」等安全判定，本技能 只做文字提取，不做合规/安检结论。
• 超大 PDF（例如 >50 页）建议分页或分批，避免单次上下文过长。