lionad-morotar 当前 SKILL 服务且仅服务于 /Users/lionad/Github/Lionad-Morotar/blog 博客项目，所有改动都应以该项目为基础。
提取为 Markdown
概述
将 PDF 文档和图片转换为结构化的 Markdown。本技能提供最佳工具推荐和工作流，实现准确提取并保留原有格式。
快速决策树
输入类型？
├── PDF（文本型或扫描型）
│ ├── 技术文档、学术论文 → Marker
│ └── 简单文本提取 → pdftotext (Poppler)
├── 图片（PNG、JPG 等）
│ ├── 带文字的截图 → Claude vision（直接读取）
│ ├── 扫描文档 → Tesseract OCR
│ └── 复杂布局图片 → PaddleOCR（中文支持）
└── 需要批量处理 → Marker（PDF）或 Tesseract（图片）
PDF 提取
Marker（推荐）
最适合技术文档、学术论文和复杂布局。保留结构、标题、表格和代码块。
# 单文件
marker single input.pdf --output_dir ./output
# 批量处理
marker --output_dir ./output ./pdfs/
# 指定页码范围
marker single input.pdf --output_dir ./output --page_range "0,5-10,20"
输出： Markdown 文件 + 提取的图片存放在子文件夹中
安装：
pip install marker-pdf
适用场景：
- 多栏布局
- 含表格和图片的文档
- 学术论文
- 技术文档
- 需要保留文档结构
pdftotext（轻量级）
快速提取文本，不保留格式。
# 基础提取
pdftotext input.pdf output.txt
# 保留布局
pdftotext -layout input.pdf output.txt
安装：
# macOS
brew install poppler
# Ubuntu/Debian
apt-get install poppler-utils
适用场景：
- 简单文本提取
- 大批量处理
- 不需要格式
- 快速预览
图片提取
Claude Vision（截图）
对于截图和清晰的图片，Claude 可以直接读取，无需额外工具。
最适合：
- UI 截图
- 文字清晰的图片
- 小片段
- 快速提取，无需配置
Tesseract OCR
开源 OCR 引擎，适合扫描文档。
# 单张图片
tesseract image.png output -l eng
# 多语言
tesseract image.png output -l eng+chi_sim
# 保留空白
tesseract image.png output --psm 6
安装：
# macOS
brew install tesseract
# Ubuntu/Debian
apt-get install tesseract-ocr
# 语言包
brew install tesseract-lang # macOS
apt-get install tesseract-ocr-chi-sim # 简体中文
页面分割模式（--psm）：
| 模式 | 使用场景 |
|---|---|
| 3 | 默认，自动分割 |
| 6 | 单一均匀文本块 |
| 11 | 稀疏文本 - 尽可能找到更多文字 |
| 12 | 带 OSD 的稀疏文本 |
PaddleOCR（中文支持）
更适合中文文本和复杂布局。
# 安装
pip install paddleocr
# 命令行
paddleocr --image_dir image.png --use_angle_cls true --lang ch
# Python
from paddleocr import PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, lang='ch')
result = ocr.ocr('image.png', cls=True)
适用场景：
- 中文文档
- 复杂布局
- 多语言混合文档
- 亚洲语言识别准确率优于 Tesseract
后处理技巧
清理提取的 Markdown
移除页码和页眉：
^\d+$\n? # 独立数字（页码）修复断句：
- 查找行尾的连字符单词
- 连接跨页断开的句子
表格格式：
- Marker 能很好地保留表格
- 其他工具可考虑使用表格转换器
图片引用：
- Marker 提取图片为
_page_X_Picture_Y.jpeg - 移动到合适的资源文件夹
- Marker 提取图片为
质量检查清单
- 验证表格格式
- 检查代码块缩进
- 确认标题层级
- 审查图片标题
- 移除重复的页眉/页脚
- 修复断开的链接（如有）
常见问题
| 问题 | 解决方案 |
|---|---|
| Marker 转换慢 | 首次运行需下载模型；后续运行更快 |
| Tesseract 识别错误 | 尝试不同的 --psm 模式或图片预处理 |
| 复杂表格 | Marker 处理效果最佳；可能需要手动清理 |
| 中文文本 | 使用 PaddleOCR 或 Tesseract 配合 chi_sim 语言包 |
| 带图片的扫描 PDF | Marker 自动提取文字和图片 |
LLM 润色（ProofReading）
提取 Markdown 后，使用 LLM 进行润色：
- 检查并修正识别错误 - 修复 OCR 或转换过程中产生的文字错误
- 优化排版格式 - 统一标题层级、代码块、列表等 Markdown 格式
- 改善可读性 - 去除多余的换行、修复断句、优化段落结构
- 保留原文意图 - 润色时不改变原意，仅改善表达方式
参考资料
- Marker 文档：高级选项和故障排查
- OCR 对比：针对特定使用场景的详细工具对比