PDF 按页文字提取与导出
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_113322ce/novaai-extract-pdf-text。
技能介绍
要解决什么问题
很多 PDF 自带可选中文本层,但直接复制往往丢页码、段落结构和列表层级,页眉页脚还会在每页重复出现。当你只需要可读、可检索、可引用的正文,而不是版式还原时,更稳妥的做法是按页抽取、统一规则,再交付能对照原页的文本。
技能如何工作
该技能面向含文本层的 PDF(扫描件无文本层时需先走 OCR,不在本技能范围内)。流程上先复述目标、页码范围与输出格式,再检查文件是否可读;随后检测文本层,按页提取,尽量保留标题、段落与列表线索,清理重复的页眉页脚,并对无文本页单独标记。
交付物通常是按页组织的纯文本或 Markdown,同时附上处理摘要、异常项和仍需人工确认的内容。质量要求里强调:数字、专名与页码应可追溯,不能把空白页「补」成正文。
适用边界与注意点
- 仅适用于用户已提供(或可补充)PDF 与可选
页码范围,且需要实际成品而非概念说明的场景。 - 不用于版式还原;信息不完整时,技能会先列出缺口,仅在缺口会实质改变结果时才请求补充。
- 涉及文件输出时,应给出真实路径并确认文件存在且非空,便于你复核输入与输出的对应关系。
使用场景
- 法务要从合同 PDF 第 15–40 页导出条款正文,供同事在文档里全文检索比对
- 研究助理需把论文附录 PDF 按页摘成 Markdown,保留列表层级并去掉每页重复的页眉
- 客服知识库维护者接到新版产品说明 PDF,只更新第 3–12 页文字并标注无文本的插图页
- 内审同事收到含文本层的审计报告 PDF,需指定页码范围交付纯文本并列出专名与数字可追溯处
适合人员
- 每周要把多份 PDF 条款并入同一份协作文档的法务助理,需要按页纯文本且页码可对回原文件
- 写文献综述的研究生,想把可检索 PDF 附录转成带层级标记的 Markdown 笔记而非截图
- 负责企业知识库运营的同学,收到供应商 PDF 后只改部分章节,先要结构化正文再人工校对
- 做合规留痕的内审人员,要求交付按页文本并明确标出空白页、异常页与待人工确认项