多源数据提取与整理

解决什么问题

把分散在图片/扫描件、PDF、Word、Excel/CSV、网页里的文字和表格，转成可归档的 Excel 或 Word 成果物。典型场景是审计底稿、问题清单、整改台账、取证表：来源格式不一，但输出要求固定——表头统一、序号连续、金额大写、缺失值写 —。

技能如何工作

工作流先确认来源和输出形态，再选择提取通道：

• 图片/扫描件：优先用 Read 工具做多模态读取；批量脚本化时用 scripts/ocr_image.py。
• PDF / Word：分别用 scripts/pdf_extract.py、scripts/docx_extract.py 提取文本、标题层级与表格。
• Excel / CSV：用 scripts/excel_clean.py 做 clean、merge、dedupe、split。
• 网页：用 scripts/web_extract.py 解析 pandas.read_html 可识别的表格，无表格时回退抽取正文列表。

整理阶段按 references/formats.md 规范：日期写 YYYY年MM月DD日，金额同时给出数字与中文大写，表头加粗居中，缺失值统一为 —。最终输出带样式的 .xlsx 或规范 .docx，文件名带日期前缀便于归档。

边界与注意

该技能偏重结构化录入和格式规范化，不是通用爬虫或复杂版式重建。图片表格若排版复杂，直接多模态读取通常比纯 OCR 更稳；easyocr 首次运行会下载中文模型，离线环境应优先使用 Read 通道。网页抓取依赖页面可被 read_html 解析，动态渲染或反爬页面不在稳定能力内。