Agent Skills
返回列表
扫描件PDF提取器

扫描件PDF提取器

办公效率 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中:

请根据官方安装指南 https://skillhub.cn/install/skillhub.md,安装 SkillHub 技能 @user_937442fe/scanned-pdf-extractor 到 AI 助手。

技能介绍

解决什么问题

企业内部流转的合同、红头文件、扫描件 PDF 大多只有图像层。直接用 pdfplumber 或 markitdown 处理这类文档几乎必然返回空字符串;即便安装 markitdown[pdf],它只读取嵌入的文本层,扫描件依然无解。

Scanned PDF Extractor 针对这类“没有可选文字但视觉上是完整文档”的 PDF 提供可断点续跑的 OCR 流水线,而不是又一个通用文本抽取工具。

工作流程与核心能力

该技能并不试图绕过 PDF 本身,而是先用 PyMuPDF 探测每一页的文本长度与图像数量。如果确认为扫描页,scripts/extract.py 会按指定 DPI 将页面渲染为独立的 page_NNN.png,并利用 .progress.json 记录进度,支持中断后跳过已完成页面。

渲染阶段内置页面纠偏:v2.0 可通过投影轮廓方差最大化估计 ±15° 范围内的旋转角度,并将满分辨率图像旋转回水平,避免倾斜导致的 OCR 错分。

OCR 阶段提供三种引擎适配:

  • vision(默认):直接读取渲染后的 PNG,中英混排识别率高,安装成本最低;
  • paddle:调用 PaddleOCR 3.x,启用 PP-StructureV3 进行结构化表格还原,适合需要保留表格行列关系的文档;
  • tesseract:轻量方案,更适合纯英文场景。

文档大于 20 页时,技能会分批读取并在上下文中逐步拼装 Markdown,而不是一次性塞入整份 OCR 结果。输出结构包含文档元信息头、原文分页标记 <page>、Markdown 管道表格,以及保留的 [OCR疑点] 标注。

适用边界与注意事项

OCR 从来不是确定性操作。证件号、金额、日期、印章区域必须在渲染出的 PNG 上二次核对,不能盲信输出;遇到低置信度片段,技能会明确标记而不是静默推测。

几个容易踩坑的地方:渲染 DPI 不应低于 150,否则中文识别质量急剧下降;PyMuPDF.find_tables() 只能读取矢量结构,对扫描页完全无效,表格还原必须依赖 PaddleOCR;paddlepaddle 仅支持 Python 3.12,需要在独立虚拟环境中安装,不要与默认运行时混用。

所有渲染文件与输出默认写入本地隐藏目录 .pdf_ocr_work/,不触碰原始 PDF,也不把全文回显到聊天中。原 PDF 始终只读。

使用场景

  • 合同管理员需要处理一批只有图像层的扫描合同,逐份提取条款文字并保留分页。
  • 资料整理人员遇到多页倾斜的档案扫描件,需要先纠偏再识别成文本。
  • 财务同事拿到一份扫描版对账单,希望把表格区域还原成可复制的 Markdown 表格。
  • 行政需要从多份扫描通知中提取编号和日期,前次中断后继续跑未完成的页面。

适合人员

  • 需要批量处理扫描合同或红头文件、又想减少人工抄录的法务助理
  • 经常接触扫描单据并要把表格内容落入 Markdown 或系统的财务运营
  • 维护企业知识库、负责把纸质档案扫描件转成可检索文本的资料管理员
  • 已经在用 Agent 做文档流水线、需要可续跑和本地不外传的工程师