PDF 智能处理套件

问题场景

PDF 在自动化流程里常是信息孤岛：正文可能是流式文本，也可能是扫描图；表格需要结构化成 CSV 或 Excel；文件还需要合并、拆分、加水印、改元数据。手工处理成本高，且容易把版式、页码和权限信息弄丢。

能力与工作方式

该技能围绕 PDF 解析与输出组织：

• 文本提取：使用 pdfplumber 获取纯文本或带位置信息的结构化文本，便于定位字段。
• 表格识别：结合 camelot-py 与 pdfplumber，将 PDF 表格提取为结构化数据，输出 CSV / Excel 更友好。
• OCR 识别：通过 pytesseract 处理扫描件和图片型 PDF，支持多语言文字抽取。
• 格式转换：借助 pdf2image 将 PDF 转图片，并面向 Word、Excel 等下游处理链路提供中间结果。
• 页面与安全：用 PyPDF2 完成合并、拆分、旋转、删除、加密、解密，也可添加水印或数字签名。
• 元数据：读取和修改文档属性，方便归档与追溯。

边界与注意

OCR 需要外部 Tesseract 环境；复杂版式、跨页表格、加密文件或低质量扫描件仍可能影响识别精度。数字签名与加密属于文档安全操作，执行前应明确文件所有权和权限要求。