Agent Skills
返回列表
PDF 即时处理工具

PDF 即时处理工具

办公效率 更新于 2026.08.29

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_33aa5c8b/instant-data-qa

技能介绍

解决的问题

处理 PDF 时最常见的卡点:想从一份 200 页的合同里只抽出第 3 到第 8 页发给法务,或者把五份单页扫描件拼成一份完整文档再调整页面方向。传统做法要么打开 Acrobat 手动操作,要么写一段 Python 脚本——而这段代码每次都得重新翻文档。instant-data-qa 把这套操作固化成可重复调用的命令,省掉重复编写临时脚本的成本。

核心能力与工作方式

技能底层依赖 pdfplumber 和 PyPDF2,提供以下脚本化操作:

  • 文本提取 — 按页或全文输出纯文本,便于后续做检索或喂给 LLM 做问答
  • 合并 / 拆分 — 多文件拼成一份;单文件按页码范围拆成独立 PDF(支持 "1-5,10-15" 这类范围语法)
  • 页面旋转 — 对整份或指定页施加 90°、180°、270°、-90° 旋转,适合扫描件方向错误的场景
  • 文本叠加 — 在指定页面坐标写入文字,比直接替换 PDF 内部文本流更稳定
  • 元信息查看 — 读取页数、标题、作者等 metadata,作为后续操作的前置判断

典型工作流:先跑 pdf_info.py 确认页数 → 用 split_pdf.py -m ranges -r "1-5,12-20" 抽出目标章节 → 用 merge_pdfs.py 把多个片段拼成最终文件。

适用边界与注意点

  • 文本提取依赖 PDF 内嵌的文本层,扫描型 PDF(纯图片)无法直接提取,需先过 OCR
  • 页码在所有脚本中均为 1-indexed(第 1 页 = 第一页),与 0-indexed 的编程习惯不同
  • 文本替换功能受 PDF 格式限制,仅对简单单色文字有效;需要精确控制排版时建议用叠加方式
  • 所有脚本在执行前会校验文件路径是否存在,避免空操作报错

使用场景

  • 从一份 200 页的技术白皮书中按页码范围抽出 3 个章节,分别发给不同评审人
  • 将五份单页扫描件按顺序合并为一份 PDF 并统一旋转 90° 修正方向
  • 批量提取合同 PDF 的纯文本,喂给 RAG 管线做条款检索
  • 把多份周报 PDF 的指定页拼成一份汇总文档提交给上级

适合人员

  • 处理大量 PDF 合同或报告的法务 / 合规人员,频繁需要按章节拆分与合并
  • 构建 RAG 应用的数据工程师,需要把 PDF 转为干净文本再接入向量库
  • 需要批量整理扫描件方向与顺序的行政 / 文档管理员
  • 用 LLM 助手处理日常文档的独立开发者或技术负责人