PyMuPDF 本地 PDF 解析
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 @org-eyw2ohcx/sundial-org-awesome-openclaw-skills-pymupdf-pdf。
技能介绍
要解决的痛点
很多 PDF 只能在本机或内网里打开,不能一律丢给云端 OCR 或重型流水线。你需要的是:在本地把正文抽出来,方便进笔记、RAG 索引或二次编辑;有时还要顺带拉出图片、用 JSON 做结构化元数据,而不是每次都手写拷贝。
技能如何工作
技能围绕 PyMuPDF 做单文件(及可扩展的批量)解析,默认把结果写到以文档为粒度的输出目录(如 ./pymupdf-output/)。
- 输出格式:
--format md|json|both,默认 Markdown(output.md);JSON(output.json)可带--lang语言提示。 - 资源抽取:
--images将图片落到images/;--tables生成基于行的tables.json(偏快、偏粗,适合扫一眼结构而非精修表格)。 - 目录:
--outroot DIR可改输出根路径。
流程上一般是:指定 PDF → 选格式与是否抽图/表 → 在约定目录里拿 output.md / output.json 及附属文件,再接到你后续的 Markdown 工作流或脚本。
边界与注意
PyMuPDF 快、依赖轻,但对版式复杂、扫描件混排、表格密集的 PDF 稳健性有限。SKILL.md 建议:若解析质量不够,再考虑已安装的 MinerU 等更重 OCR 方案。遇到 import 失败或 Nix 下 libstdc++ 问题,应查阅技能内的 references/pymupdf-notes.md,而不是反复试错安装。
使用场景
- 内网合规 PDF 只能在笔记本上打开,要把正文整理成 Markdown 再进内部 Wiki
- 法务或研报 PDF 需批量转 `output.md`,并可选 `--images` 留存插图路径
- 自动化流水线在解析前要用 JSON(`--lang`)记录语言与元数据,再交给下游检索
- 快速扫读合同里的表格轮廓,用 `--tables` 得到粗略 `tables.json` 做校对清单
适合人员
- 维护内网知识库的工程师:要把不可外传的 PDF 正文落成可检索 Markdown
- 写文档流水线的后端:需要在单机用 PyMuPDF 默认 md、按需 json/图片输出
- 做法务/投研归档的分析师:复杂版式先试本技能,质量不够再切换 MinerU
- Nix/Linux 环境下跑解析脚本的维护者:遇 PyMuPDF 或 libstdc++ 问题需对照技能内参考笔记