cas-bigdatalab pdf_metadata_extract 技能
功能说明
该技能提取PDF文件的元数据（标题、作者、主题、页数等），输出为JSON格式，便于查看和处理PDF文档信息。
核心功能
- 提取PDF基本信息（文件名、大小、页数）
- 提取文档元数据（标题、作者、主题、创建者等）
- 提取日期信息（创建日期、修改日期）
- 检测PDF是否加密
使用方法
python scripts/run_pdf_metadata_extract.py --input_path <输入PDF> --output_path <输出JSON>
参数说明
| 参数 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
| input_path | string | 是 | - | 输入PDF文件路径 |
| output_path | string | 是 | - | 输出JSON文件路径 |
示例
python scripts/run_pdf_metadata_extract.py --input_path document.pdf --output_path metadata.json
输出格式
{
"file_name": "document.pdf",
"file_size": 1024000,
"pages": 20,
"pdf_version": "PDF-1.7",
"title": "Document Title",
"author": "John Doe",
"subject": "Document Subject",
"creator": "Microsoft Word",
"producer": "Microsoft Word 2016",
"creation_date": "2024-01-15 10:30:00",
"modification_date": "2024-01-15 14:20:00",
"is_encrypted": false
}
注意事项
- 输出目录不存在时会自动创建
- 部分PDF可能没有完整的元数据，缺失字段会显示为null