Agent Skills
返回列表
📁

PDF 处理指南

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 https://skillhub.cn/install/skillhub.md,安装 @org-eyw2ohcx/anthropics-skills-pdf。

技能介绍

你要解决什么问题

自动化流水线里经常碰到 PDF:合同要合并归档、研报要按页拆开、扫描件没有文本层、发票表格要进数据库。纯靠桌面软件难脚本化,也不适合 CI 或批处理。本技能按 Python 库 + 命令行工具 两条线,把常见操作映射到具体 API 与命令,并区分「入门路径」与 REFERENCE.md / FORMS.md 里的进阶与填表场景。

技能如何工作

pypdf 负责基础结构操作:writer.add_page(page) 合并、按页拆分、读元数据、旋转页面。pdfplumber 侧重版面:page.extract_text() 保留布局,page.extract_tables() 与进阶表格提取用于结构化数据。reportlab 用 Canvas 或 Platypus 从零生成 PDF;若需要上下标,应在 Paragraph 里用 ReportLab 的 XML 标记,不要在正文里直接写 Unicode 上下标字符,否则内置字体会显示成黑块。

命令行侧:pdftotext(poppler-utils)快速抽纯文本;qpdf 可做合并等结构操作;环境有 pdftk 时亦可选用。常见任务还包括:扫描 PDF 先转图再 pytesseract OCR、加水印、抽图、密码保护;填表走 FORMS.md(pdf-lib / pypdf)。文末速查表按任务推荐工具与典型调用。

适用边界

JavaScript(如 pdf-lib)、pypdfium2 等深度用法不在本篇展开,见 REFERENCE.md。表单填写有独立流程,勿与纯读写 PDF 混为一谈。OCR 质量依赖扫描分辨率与预处理,表格提取对复杂跨页版式仍需人工校验。

使用场景

  • 法务归档前要把多份签字 PDF 按顺序合并成一份,并在脚本里记录元数据
  • 财报 PDF 需按页拆成单页文件,再送入下游 OCR 或分类服务
  • 扫描版合同没有文本层,要先转图像再走 pytesseract 做全文检索
  • 用 pdfplumber 从固定版式发票中抽表格字段,写入 CSV 或数据库

适合人员

  • 后端工程师要在定时任务里批量合并、拆分客户上传的 PDF 附件
  • 数据分析师需要从 PDF 研报中按版面提取段落与表格,而不是整页复制粘贴
  • 运维/平台同学要在无 GUI 的服务器上用 qpdf、pdftotext 处理上传文件
  • 内容或合规同学用 reportlab 生成带上下标的说明页,并避免 Unicode 上下标踩坑