PDF 处理指南
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-pdf。
技能介绍
要解决什么问题
团队日常拿到的 PDF 往往不止「打开看一眼」:合同是扫描件、报表里夹着表格、归档前要合并多份附件,或要从一批文件里抽出元数据和页面。纯靠桌面软件可以点一点完成,但一旦要批量处理、要写进流水线,就需要知道该用哪套库、哪条命令,以及扫描件和原生 PDF 的差别。
技能如何组织内容
本技能是一份以 Python 库 + 命令行工具 为主线的处理指南,并按任务给出选型建议。
库与工具分工
pypdf:合并、拆分、读取元数据、旋转页面等基础页级操作。pdfplumber:在保留版式的前提下extract_text(),以及用extract_tables()拉表格(含进阶表格抽取说明)。reportlab:用 Canvas 或 Platypus 从零生成 PDF,含多页文档。- 命令行:
pdftotext(poppler-utils)、qpdf合并分页、pdftk(环境可用时)。
常见任务路径
技能还单独点出几条容易踩坑的场景:扫描件需先转图像再走 pytesseract OCR;加水印、抽图、密码保护;填表则明确指向 forms.md(pdf-lib / pypdf),不与正文混写。文末 Quick Reference 用表格把「任务 → 首选工具 → 代码或命令」对齐,便于对照实现。
适用边界
- 高级 pypdfium2、JavaScript(pdf-lib) 细节在
reference.md,本技能只做入口与速查。 - 表单填写必须跟
forms.md逐步操作,不能指望 Overview 一页搞定复杂域。 - 扫描 PDF 的识别质量取决于预处理与 OCR 配置,指南给出流程方向,不替代你对具体版式/语言的调参。
使用场景
- 法务收到多份扫描合同 PDF,要先拆页再 OCR,把正文文本导出给检索系统
- 财务每月从供应商 PDF 发票里用 pdfplumber 抽取表格字段,写入对账脚本
- 发布前要把若干章节 PDF 按顺序合并,并在 CI 里用 qpdf 或 pypdf 自动化
- 需要从旧版 PDF 批量读取作者、创建时间等元数据,或统一旋转横向扫描页
适合人员
- 维护数据管道的后端,要把 PDF 合并、拆页、抽文本接到定时任务里
- 做信息抽取或 RPA 的工程师,需在原生 PDF 与扫描件之间切换 pdfplumber 与 OCR 流程
- 需要程序化生成报告 PDF、用 reportlab 排多页版式的技术写作者
- 偶尔处理敏感文档,要按指南配置密码保护或加水印后再分发