cslawyer1985 中国专利 PDF / DOCX 转 Markdown
将中国专利 PDF 或 DOCX/DOC 文件转为结构化 Markdown 文件。支持两类文档：
- 专利公开/公告文件：包含著录项目、摘要、权利要求书、说明书（含子章节）和说明书附图
- 审查文件：审查意见通知书、驳回决定、复审决定书、无效宣告请求审查决定书，包含著录项目、审查意见/决定理由等
程序会自动检测文档类型并选择对应的解析流程，无需手动指定。
一、支持的输入格式
| 格式 | 说明 |
|---|---|
.pdf |
专利 PDF 文件（文本型/图像型均可） |
.docx |
Word DOCX 文件（直接解析 OOXML） |
.doc |
旧版 Word 文件（自动检测 WPS Office / Microsoft Office / LibreOffice 转换为 .docx） |
注意：DOCX/DOC 格式不支持附图提取（无 PDF 页面渲染），其余流程与 PDF 一致。
.doc 文件转换策略
处理 .doc 文件时，程序自动检测系统中已安装的办公软件并执行格式转换，检测优先级：
| 优先级 | 软件 | 平台 | 转换方式 |
|---|---|---|---|
| 1 | WPS Office | Windows / macOS / Linux | 命令行 --headless --convert-to docx |
| 2 | Microsoft Office | Windows / macOS | Windows: PowerShell COM 自动化；macOS: AppleScript |
| 3 | LibreOffice | Windows / macOS / Linux | 命令行 --headless --convert-to docx |
若未检测到任何办公软件，程序会提示安装或建议手动将 .doc 另存为 .docx。
二、路径变量
| 变量 | 说明 | 示例 |
|---|---|---|
<skill_root> |
Skill 根目录 | /path/to/.trae/skills/patent-pdf-to-md |
<input_file> |
输入文件绝对路径 | /path/to/专利文件.pdf |
<input_dir> |
输入文件所在目录 | /path/to |
<input_stem> |
输入文件名（不含扩展名） | 专利文件 |
<timestamp> |
第3.2步获取的真实时间戳 | 20260604_143025 |
<work_dir> |
临时工作目录 | <input_dir>/patent-pdf-to-md_<timestamp> |
<base_name> |
脚本输出的命名基础字符串 | 202210373749.5-CN114909579A-公开文本 |
<final_dir> |
最终输出目录 | <input_dir>/<base_name> |
所有路径必须使用绝对路径，使用
/作为路径分隔符以确保跨平台兼容性。
三、Agent 工作流程
3.1 文件类型识别
检查输入文件扩展名是否为 .pdf、.docx 或 .doc（不区分大小写）。如果不是，告知用户仅支持这三种格式后终止。
3.2 创建工作目录
执行命令获取真实本地时间戳：
python -c "from datetime import datetime; print(datetime.now().astimezone().strftime('%Y%m%d_%H%M%S'))"
将输出记录为 <timestamp>，定义 <work_dir> = <input_dir>/patent-pdf-to-md_<timestamp>，创建工作目录：mkdir "<work_dir>"。
3.3 执行文件类型检测与处理
运行提取命令，程序会自动检测文档类型并选择对应的解析流程：
cd "<skill_root>/scripts" && python -m patent_extractor.main \
--input "<input_file>" \
--output "<work_dir>" \
[--ocr-engine auto|mineru|tesseract] \
[--verbose] [--dpi 200]
程序内部自动执行以下检测与分流：
- 文本提取：根据输入格式选择
PDFReader或DocxReader - 文档类型检测：从提取文本的前 3000 字符自动判断
- 检测为审查文件 → 加载 office-action-workflow.md 对应流程
- 检测为专利公开/公告文件 → 加载 patent-publication-workflow.md 对应流程
3.4 多文件并行处理
当用户需要同时处理多个文件时，自动调用 SubAgent 模块实现并行处理：
- 每个文件分配一个独立的 SubAgent
- 所有 SubAgent 在同一条消息中并行启动
- 每个 SubAgent 使用独立的工作目录：
<work_dir>/<input_stem>/ - 某个 SubAgent 失败不影响其他 SubAgent 的执行
SubAgent 提示词模板：
你是一个专业的中国专利文档转换助手。请执行以下转换任务：
1. 读取处理流程：读取 "<skill_root>/reference/patent-publication-workflow.md" 或 "<skill_root>/reference/office-action-workflow.md" 的完整内容
2. 按照处理流程的指令执行文档转换
3. 路径变量：skill_root=<skill_root>, input_file=<input_file>, work_dir=<work_dir>
4. ⛔⛔⛔ 禁止向用户提问、禁止要求用户提供任何信息、禁止因任何原因暂停处理流程
3.5 故障处理
系统运行过程中若发生故障，立即加载 fault-handling.md，执行相应的错误恢复流程。
常见故障快速参考：
| 故障 | 处理方式 |
|---|---|
| 文本提取完全失败 | 检查文件完整性，尝试切换 OCR 引擎 |
| MinerU 不可用 | 参考 ocr-engine.md 安装或降级到 Tesseract |
| 章节识别错误 | 使用 --ocr-engine mineru 提升 OCR 质量 |
| 附图页数不一致 | 检查 PDF 完整性和附图范围 |
| .doc 转换失败 | 安装办公软件或手动转为 .docx |
| SubAgent 执行超时 | 对超时文件单独重试 |
四、OCR 引擎选择
默认 --ocr-engine auto：pdfplumber → fitz → MinerU flash-extract → Tesseract 逐级降级。
# 强制使用 MinerU（推荐，质量最高）
cd "<skill_root>/scripts" && python -m patent_extractor.main -i "<input_file>" -o "<work_dir>" --ocr-engine mineru
# 强制使用 Tesseract（离线场景）
cd "<skill_root>/scripts" && python -m patent_extractor.main -i "<input_file>" -o "<work_dir>" --ocr-engine tesseract
# 自动降级（默认）
cd "<skill_root>/scripts" && python -m patent_extractor.main -i "<input_file>" -o "<work_dir>" --ocr-engine auto
其他参数
| 参数 | 默认值 | 说明 |
|---|---|---|
--verbose / -v |
关闭 | 输出详细日志 |
--dpi |
200 | 附图渲染 DPI |
--keep-ocr-cache |
关闭 | 保留 OCR 临时缓存 |
五、输出文件
| 文件 | 说明 |
|---|---|
<work_dir>/output.json |
结构化 JSON（著录项目、摘要、权利要求书、说明书、附图列表） |
<work_dir>/output.md |
结构化 Markdown（含图片引用） |
<work_dir>/output.txt |
原始提取文本（含页码分隔标记） |
<work_dir>/images/ |
说明书附图 PNG 图片（仅 PDF 输入的专利公开/公告文件），按 figPage1.png, figPage2.png 命名 |
<work_dir>/logs/ |
运行日志 |
六、最终输出
<model_name>替换为当前会话所使用的大模型名称。
单文件处理：
专利文档转换完成
输入文件：xxx.pdf
文档类型：实用新型公告（专利公开/公告文件）
输出目录：<final_dir>
【输出文件】
- JSON：<final_dir>/<base_name>.json
- Markdown：<final_dir>/<base_name>.md
- 原始文本：<final_dir>/<base_name>.txt
- 附图：<final_dir>/images/（N 张）
- 日志：<final_dir>/logs/
【提取摘要】
- 专利名称：一种一体式自拍装置
- 申请号：201420522729.0
- 著录项目字段数：N 个
- 权利要求书：N 条
- 说明书子章节：N 个
- 附图验证：记载N页 / 实际N张 → 通过
多文件并行处理：
专利文档批量转换完成（并行处理模式）
处理文件数：N 个
成功：X 个 / 失败：Y 个
使用模型：<model_name>
【处理结果】
- 文件1：实用新型公告 → 成功（附图 N 张）
- 文件2：审查意见通知书 → 成功
- 文件3：失败（原因：...）
失败文件可单独重试。
七、参考文件
| 文件 | 用途 | 加载时机 |
|---|---|---|
| reference/patent-publication-workflow.md | 专利公开/公告文件（A/B/U类）完整处理步骤 | 文档类型识别为专利公开/公告文件时 |
| reference/office-action-workflow.md | 审查文件完整处理步骤 | 文档类型识别为审查文件时 |
| reference/fault-handling.md | 详细故障处理对策 | 系统运行过程中发生故障时 |
| reference/patent-type-differences.md | 专利类型差异、INID代码、审查文件对比 | 需要了解类型差异或排查著录项目提取问题时 |
| reference/output-format.md | JSON Schema 及 Markdown 格式定义 | 需要了解输出格式细节或排查生成问题时 |
| reference/ocr-engine.md | MinerU OCR 引擎安装、模式对比、故障排除 | MinerU 不可用或需要排查 OCR 问题时 |
| reference/workspace-spec.md | 工作文件夹命名规范、文件组织架构 | 需要了解工作目录结构或多文件并行处理时 |
八、技术架构
patent-pdf-to-md/
├── SKILL.md # 主控制文件（本文档）
├── scripts/
│ └── patent_extractor/
│ ├── main.py # 主入口，自动检测文档类型并编排对应流程
│ ├── pdf_reader.py # PDF 文本提取（pdfplumber → fitz → MinerU → Tesseract）
│ ├── docx_reader.py # DOCX/DOC 文本提取（OOXML 解析）
│ ├── ocr_engine.py # Tesseract OCR 引擎（降级方案）
│ ├── section_parser.py # 专利公开/公告文件：章节识别、著录项目提取
│ ├── office_action_parser.py # 审查文件：文档类型检测、著录项目提取、正文解析
│ ├── image_extractor.py # 说明书附图提取（fitz 渲染 PNG）
│ ├── json_generator.py # 结构化 JSON 生成
│ └── markdown_generator.py # Markdown 生成
└── reference/
├── patent-publication-workflow.md # 专利公开/公告文件处理流程
├── office-action-workflow.md # 审查文件处理流程
├── fault-handling.md # 故障处理对策
├── patent-type-differences.md # 专利类型差异参考
├── output-format.md # 输出格式规范
├── ocr-engine.md # MinerU OCR 引擎详情
└── workspace-spec.md # 工作文件夹规范