PDF图片表格提取

要解决的具体问题

处理 PDF、图片或扫描件时，表格常因排版复杂、合并单元格、跨页断行等问题导致结构混乱。手动整理不仅耗时，还容易出错，尤其在需要批量处理或对接下游数据管道时，传统工具往往无法直接输出生产可用的 Excel 文件。

技能如何工作

该技能通过 scripts/main.py 主脚本驱动，支持从 PDF、图片、Office 文档等多种格式中提取表格。核心能力包括：

• 智能解析模式：自动根据文档页数选择 vlm（视觉语言模型）、auto 或 scan 模式，平衡速度与准确率。
• 后处理规则：可定制列类型识别、空值处理、汇总行标注、样式调整等，通过 references/rules.example.json 配置规则。
• 错误自愈路径：根据 stderr 中的错误码（如 MISSING_DEPS、40423）自动修复，例如安装缺失依赖、重新输入 PDF 密码或切换引擎。

关键步骤包括调用主脚本、处理执行结果（按 exit code 分类）、错误自愈（根据错误码修复）、返回结果（文件路径与统计信息）。

适用边界与注意点

• 文件限制：单文件大小 ≤ 500MB，免费用户单次页数 ≤ 100 页，付费用户 ≤ 500 页，超页自动分段。
• 密钥管理：付费 API 需配置 TEXTIN_APP_ID 和 TEXTIN_SECRET_CODE，密钥仅从环境变量或 --credentials-file 读取，不写入日志或输出文件。
• 错误处理：常见错误码如 40101（鉴权失败）、40307（免费额度用尽）需用户配合解决，如检查密钥、充值或次日重试。