PDF 转 JSON 省 Token 转换器

为什么直接 Read PDF 不划算

直接让模型读 PDF 时，工具会逐页把文字 + 页面视觉一起塞进上下文。页数一多，上下文呈指数膨胀，token（积分）成本迅速升高，而且输出的字段结构不可控，后续引用和解析都很被动。

本技能的思路是把「读 PDF」拆成两个阶段：先在本地用脚本把 PDF 压成纯文本 JSON，再喂给模型。成本骤降，文字、表格、图片分字段存放，引用精准。

核心能力与工作流程

第 1 步：一条命令转 JSON（数字版 / 扫描版通用）

• 脚本自动判断每一页：有文字层 → 抽取文字和表格；无文字层（扫描页）→ 整页渲染成 PNG 并自动 OCR。
• OCR 引擎由 --ocr-engine 控制，默认 auto：优先 native（pytesseract），不可用时回退 js（ocr-local 技能的 Tesseract.js）；也可显式指定 native、js 或 none（仅把图片落盘，事后单独补）。
• 扫描版 PDF 无需手动兜底：现版本脚本已内联 OCR 调用，扫描页渲染后直接填好 ocr_text。

第 2 步：读取 JSON 交付模型

• 转完后把 out.json 读进上下文（或直接引用），再执行用户的分析、摘要、问答任务。
• 扫描页的文字就在 images[].ocr_text 字段里，不需要额外步骤。

典型触发场景包括研报、法律文书、标准文件等需要先吃透一份 PDF 再分析的文档。

适用边界与注意点

• 表格保真：tables 保留原始二维数组，不强行展平成文本，避免错位；需要 Markdown 表格时由模型后续转换。
• 图片：只记录 PNG 路径和 OCR 文本，不把图片像素塞进上下文——那是 token 消耗的大头。
• 大文件：先用 --pages 试转前几页，确认结构无误再全量转换。
• OCR 质量：扫描件 OCR 偶有错字，尤其是表格线和异体字，关键条款仍需对照原 PDF 复核。
• 依赖：转换核心依赖 pdfplumber；OCR 为可选能力，按所选引擎准备即可。