技能介绍

扫描PDF的导航困境

扫描版PDF通常只有图像而没有文本层，这意味着它们天生缺失可跳转的导航书签（PDF Outline）。即使文档自带印刷版的目录页，目录中标注的“逻辑页码”也往往与PDF阅读器中显示的“物理页索引”存在偏移——封面、扉页或未编页码的插图极易导致三到四页的错位。手动拖拽滚动条寻找章节不仅耗时，且在百页以上的长篇文档中极易出错。

核心工作流与匹配策略

该技能通过 PyMuPDF 与 Tesseract OCR 的结合，自动化解决上述导航缺失问题。其核心工作流分为以下几个关键步骤：

类型检测与目录OCR：首先判断PDF是否包含文本层。若是纯扫描件，则以 300 DPI 渲染用户指定的目录页，使用 chi_sim+eng 模型进行OCR，解析出章节标题与印刷页码。
全页扫描与物理定位：针对印刷页码与物理索引错位的痛点，技能会运行 --mode find_sections 脚本 OCR 全文（或仅页面顶部 50% 区域）。通过提取目录中的 1-3 个特征关键词（如“投标函”），在每一页的头部区域进行匹配，从而锁定章节标题实际出现的物理页面。
元数据写入与验证：最后调用 set_toc() 方法将精准映射后的书签树写入PDF。整个过程仅修改书签元数据，绝不触碰或破坏原文件的正文内容。

适用边界与环境注意点

OCR速度限制：在 200 DPI 分辨率下，中英文混合识别的速度约为每秒 1 页。处理 100 页的扫描件需预留约 2 分钟的计算时间。
语言包与路径配置：Windows 默认的 Tesseract 仅包含英文模型，必须手动下载 chi_sim.traineddata 并确保环境变量 TESSDATA_PREFIX 指向包含该文件的目录。
编码与沙箱问题：在 Windows 下处理中文 OCR 结果时，需注意控制台的 UTF-8 编码配置以避免 GBK 报错；若目标文件被占用，建议先将结果写入临时目录再拷贝。