PDF 与图片文字提取

这个技能解决什么问题

文档处理流程里最常见的一类琐碎任务：素材以截图、扫描件、拍照表单或导出 PDF 的形式到达，你需要的是其中的文字，而不是继续人工誊抄。复制粘贴对扫描版 PDF 基本无效，独立 OCR 工具又常常输出错位、丢失标题层级，整理成本并不低。这个技能把「识别图片文字 + 提取 PDF 文本 + 按原结构输出」收敛成一条流程，目标是拿到可以直接入库或归档的文本。

核心能力与工作方式

技能覆盖两类输入：

• 图片：PNG、JPG、JPEG、GIF、WebP、BMP 等常见格式，通过 read_image 工具识别，提示词要求完整捕捉标题、正文、注释乃至水印。
• PDF：同时支持文字版与扫描版，核心脚本是 scripts/pdf_text_extractor.py，以 PDF 路径作为参数，逐页提取后返回包含文本与元信息的 JSON 结果。

整体流程是统一的：先确认文件已上传并拿到访问路径，再执行识别或脚本提取。图片侧会先判断是否存在可提取文字，PDF 侧直接走脚本输出。提取完成后按原文段落结构和标题层级整理，最终输出 Markdown——需要留存就生成 .md 文件，只需要查看内容就直接返回。扫描版 PDF 中无法解析的页面会被明确指出，而不是静默返回空结果。

适用边界与注意点

几个已知限制：

• 识别精度受源文件质量影响：图片模糊、背景复杂、字体特殊都会带来误差，多栏排版和复杂表格的还原效果有限。
• 加密 PDF 不受支持：带密码保护的文件无法处理。
• 扫描版 PDF 不是万能的：图片型页面可能提取为空，需要额外的 OCR 步骤。
• 建议单文件控制在 50MB 以内，过大文件处理时间会明显拉长。
• 文件仅在当前会话内使用，不做持久化存储，涉及敏感文档时这一点值得留意。