cas-bigdatalab pdf_text_extract 技能
功能说明
该技能从PDF文件中提取文本内容，保存为txt文件，适用于需要从PDF中提取可编辑文本的场景。
核心功能
- 提取PDF中的文本内容
- 支持指定页码范围提取
- 按页码分隔输出
- 自动创建输出目录
使用方法
python scripts/run_pdf_text_extract.py --input_path <输入PDF> --output_path <输出TXT> [--pages <页码范围>]
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txt文件路径 |
| pages | string | 否 | 全部 | 页码范围，如"1-3,5" |
示例
示例1：提取全部页面文本
python scripts/run_pdf_text_extract.py --input_path document.pdf --output_path text.txt
示例2：提取指定页码文本
python scripts/run_pdf_text_extract.py --input_path document.pdf --output_path text.txt --pages "1-10"
输出格式
--- Page 1 ---
这是第一页的文本内容...
--- Page 2 ---
这是第二页的文本内容...
注意事项
- 扫描版PDF（图片格式）无法提取文本，需使用pdf_ocr技能
- 输出目录不存在时会自动创建
- 文本提取结果受PDF质量影响，部分PDF可能提取效果不佳