技能介绍

解决的痛点

扫描件 PDF 常只有图片层，无法复制、搜索、进入检索或向量化流程。若每次手工打开 OCR 工具、等待处理、再整理文本，批量文档处理就会变成重复劳动。这个技能面向的就是本地批量扫描件：先把 PDF 变成可搜索文件，再为后续提取 Markdown 做准备。

工作方式

技能在本机调用 ocrmypdf 和已安装的 Tesseract，不依赖外部服务。输入通常是单个 PDF 或整个目录，处理后会生成带文字层的 PDF，便于后续复制、检索或继续转换。批量模式下可遍历目录中的 *.pdf 文件，逐个处理并输出对应结果。若需要中文简体识别，可通过 --lang chi_sim 指定语言模型，避免自动检测带来的误判。脚本会将错误写入 logs/pdf_ocr_error.log，方便排查坏文件、依赖缺失或参数问题。资料里也提到可结合 pdf2txt.py 做进一步文本化，但核心仍是 OCR 层生成。

适用边界

它适合扫描件、本地处理、离线/内网环境，以及需要先生成可搜索 PDF 的工作流。对排版复杂、手写体、低分辨率图片，识别质量仍受图像和模型限制。技能本身不会替代 PDF 结构解析，也不负责排版还原、表格还原或跨文档合并；若需要更细粒度的 Markdown，还需要后续转换步骤。使用前应确保本机已有 Tesseract 与 ocrmypdf，并且目录中的 PDF 可写或输出路径可访问。