PDF 内容提取器

先说清楚解决什么问题

PDF 和网页正文常常混在一起，手动复制容易丢段落、丢表格。这个技能把两种输入统一成结构化 Markdown：本地 PDF 可以读取纯文本和含表格的 PDF，网页 URL 可以提取正文。它适合用户用自然语言提出“读取/提取/解析 PDF 内容”“把 PDF 转成文字”“抓取网页正文”等意图时使用。

核心能力和工作方式

1. 先判断输入类型：区分用户提供的是本地 PDF 路径，还是网页 URL。
2. PDF 提取：调用 python3 scripts/main.py pdf <路径>；结果保留原文段落结构，表格尽量转成 Markdown 表格。
3. 网页提取：调用 python3 scripts/main.py url <URL>；结果同样以 Markdown 形式返回。
4. 异常要说明：如果文件不存在、PDF 加密、网页无法访问或需要登录，需要具体说明原因，而不是返回空内容。

适用边界和注意点

• 加密 PDF：提示文件已加密，无法提取。
• 扫描件或纯图片 PDF：提示这是图片 PDF，文本提取可能不完整；如果需要精确表格，建议先准备可检索版本。
• 需要登录的网页：提示需要认证，不能直接提取正文。
• 大文件：提示可能只提取前部分内容。

因此，它适合把可读取的 PDF 和网页正文转成 Markdown，而不是一个万能文档解析器。