aifinlab PDF解析 Skill
数据来源
本 Skill 支持多种PDF文档输入格式，核心数据来源包括：
1. PDF文档类型
- 文本型PDF：可提取文本的标准PDF文档
- 扫描型PDF：扫描图片生成的PDF文档
- 混合型PDF：包含文本和图片的PDF文档
- 加密PDF：需要密码的加密PDF文档
2. 文档内容类型
- 金融报告：年报、季报、研究报告、公告
- 合同协议：贷款合同、担保合同、投资协议
- 法律文档：法律意见书、合规文件
- 业务文档：业务说明、产品介绍
3. 文档特征
- 语言类型：中文、英文、多语言混合
- 版式类型：标准版式、复杂版式、双栏版式
- 文档大小：小文档（<10MB）、大文档（>10MB）
4. 数据格式要求
- 文件路径：本地文件路径或网络文件URL
- 文件编码：UTF-8、GBK、GB2312等
- 文件权限：需要读取权限
说明：本 Skill 不包含文档采集功能，需要用户提供PDF文档文件。建议文档格式规范，以便进行准确的解析。
功能
本 Skill 提供全面的PDF文档解析能力，涵盖多种解析功能：
1. 文本提取
- 正文提取：提取PDF正文内容
- 标题提取：提取各级标题
- 段落提取：提取段落内容
- 列表提取：提取有序列表和无序列表
2. 结构识别
- 章节层级：识别PDF的章节层级结构
- 目录识别：识别和提取PDF目录
- 书签识别：提取PDF书签结构
- 页面结构：识别页面的布局结构
3. 表格识别
- 表格提取：识别和提取表格内容
- 表格结构：识别表格的行列结构
- 表格格式：保留表格的格式信息
- 表格定位：记录表格在文档中的位置
4. 图表识别
- 图片提取：提取PDF中的图片
- 图表识别：识别图表类型和内容
- 图表定位：记录图表在文档中的位置
- 图表描述：生成图表的文字描述
5. OCR识别
- OCR文本识别：对扫描PDF进行OCR识别
- OCR表格识别：对扫描表格进行OCR识别
- OCR图片识别：对图片中的文字进行识别
- 多语言OCR：支持多语言OCR识别
6. 格式信息提取
- 字体信息：提取字体、字号、颜色等信息
- 段落格式：提取段落对齐、缩进等信息
- 元数据提取：提取PDF属性、作者、创建时间等
- 页面信息：提取页面大小、页边距等信息
7. 高级处理功能
- 版式还原：尽可能还原PDF的原始版式
- 双栏识别：识别和处理双栏版式
- 水印处理：识别和处理水印内容
- 结构化输出：输出结构化的文档内容
使用示例
输出示例
{
"document_info": {
"filename": "document.pdf",
"file_size": 2048000,
"page_count": 50,
"language": "zh-CN",
"created_date": "2024-01-15",
"modified_date": "2024-03-20",
"encrypted": false
},
"structure": {
"title": "2024年度报告",
"bookmarks": [
{
"level": 1,
"title": "第一章 公司概况",
"page": 1,
"children": [
{
"level": 2,
"title": "1.1 公司基本信息",
"page": 1
}
]
}
],
"sections": [
{
"level": 1,
"title": "第一章 公司概况",
"content": "公司概况内容...",
"page": 1,
"subsections": [
{
"level": 2,
"title": "1.1 公司基本信息",
"content": "基本信息内容...",
"page": 1
}
]
}
]
},
"tables": [
{
"table_id": 1,
"position": {
"page": 5,
"bbox": [100, 200, 500, 400]
},
"rows": 10,
"columns": 5,
"data": [
["项目", "2024年", "2023年", "2022年", "2021年"],
["营业收入", "1000", "900", "800", "700"]
]
}
],
"images": [
{
"image_id": 1,
"position": {
"page": 8,
"bbox": [150, 300, 450, 500]
},
"format": "png",
"size": [800, 600]
}
],
"metadata": {
"author": "张三",
"company": "示例公司",
"keywords": ["年报", "财务报告"]
}
}
注意事项与限制
1. 文档格式要求
- 支持标准PDF格式文档
- 复杂版式可能影响解析准确性
- 扫描PDF需要OCR功能支持
2. 解析准确性
- 文本型PDF文本提取准确率较高
- 表格识别对复杂表格可能有限
- OCR识别准确率受图片质量影响
3. 性能考虑
- 大PDF处理可能需要较长时间
- 内存占用与PDF大小成正比
- 建议对超大PDF进行分页处理
4. OCR限制
- OCR识别需要图片质量良好
- 手写文字识别准确率较低
- 多语言OCR需要相应语言包
5. 使用限制
- 本 Skill 不包含PDF编辑功能
- 解析结果需要人工复核
- 受保护PDF可能无法解析
参考资料
- 见 references/ 目录中的相关文档，包括：
- PDF解析方法手册
- OCR识别算法说明
- 表格识别使用指南
- 性能优化指南
License
- 本 skill 代码部分采用 MIT License，详见
LICENSE文件 - 依赖与运行环境以
requirements.txt为准 - 文档内容采用 CC BY 4.0 许可