PDF/图片文字提取神器
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @user_69794d19/pdf-ocr-extractor-cn。
技能介绍
把 PDF、扫描件或图片里的文字搬到代码里,常见方案往往卡在三类问题上:扫描件没有文字层,复制出来是空的或乱码;图片只能靠人工重打字;表格结构在复制时丢失。这个技能面向本地文件处理,把「提取文字」和「结构化输出」放在同一条流程里,减少跨工具搬运。
解决哪些具体问题
- PDF 有文字层时直接抽取,保留可用的段落与换行。
- 扫描件走
PaddleOCR,识别成文本或 Markdown。 - 图片文字转成可编辑文本,适合截图、扫描件照片。
- 基础表格输出成文本或
CSV,方便后续跑脚本。 - 支持 batch 批量处理目录,不用逐个手工操作。
核心能力与关键步骤
使用时只需按模板提供输入,例如:「帮我提取这个 PDF/图片的文字:」。技能会先判断文件类型和是否含文字层;若有文字层,用 PyPDF2 抽取;若没有,提示需要 OCR 并调用 PaddleOCR。表格会被整理成文本或 CSV 输出。结果可以是 Markdown、代码或文件,并附带使用说明。
适用边界与注意点
- 仅处理本地文件,不上传任何内容。
- 扫描件必须先安装
paddleocr,否则只会提示缺依赖。 - 图片过糊时识别率会下降,建议改用清晰的原图。
- 复杂表格可能存在结构偏差,输出后需要人工核对。
- 涉及版权内容仅限个人合法使用,不代表专业意见、投资建议或法律意见。
使用场景
- 研究资料里有一批扫描版 PDF——想把这些页面的文字提取出来,整理成可编辑的 Markdown 笔记,但复制出来只有乱码,手动敲又太慢。
- 产品界面截图中含有大量操作说明文字——想把这些文字提取出来,写入项目文档的 README 或配置文件,避免每次重新截图、手动转录,同时保证关键配置能以脚本化的代价进入版本控制。
- 本地存有多份内容同质的会员资料(如会员通讯录和账单截图),想通过 batch 模式放到同一文件夹下批量提取文字表格,得到一份统一的 CSV 用于后续统计。
- 跨境电商和物流场景中,签收回执和面单扫描件频繁回传,含收件人姓名、地址、订单号等字段,希望能自动提取图片文字并生成CSV,直接导入ERP系统,避免人工核对和录入。
适合人员
- 独立开发者,想用本地脚本批量解析自己收集的电子书 PDF,提取文字后供全文检索或喂给 LLM 做分析。
- 数据分析实习生,要定期把供应商发来的扫描版发票和清单整理成Excel或CSV,用于内部汇总和报销核对,但手动录入容易出错且耗时。
- 法律文书助理,需要从合同扫描件中提取条款文字,用于归档和检索,同时确保不上传文件到第三方云服务,避免合规风险。
- 独立科研人员,收集了大量脱敏后的实验报告PDF和图片,想把里面的文字和简单表格提取成CSV,方便后续统计分析或展示给同行,但不想为商业API付费。