PDF Image Text Extractor

PDF和图片文字提取

任务目标

• 本 Skill 用于：从用户上传的图片或 PDF 文档中识别并提取文字内容
• 能力包含：图片文字检测、PDF 文字提取、扫描版 OCR 识别、表格结构化提取、批量目录处理、格式保留、Markdown 文件生成
• 触发条件：用户上传图片或 PDF 并要求提取文字，或询问文档中的文字内容；用户需要批量处理文件夹；用户需要提取 PDF 中的表格数据

🔑 鉴权

本 Skill 完全免费，但需配置红狐 API Key 请求使用权限，Key 本身不扣积分。

前往 红狐hub 注册获取个人 API Key，通过以下任一方式配置：

# 方式一：配置文件（如 OpenClaw 的 ~/.openclaw/openclaw.json）
{ "env": { "REDFOX_API_KEY": "ak_xxxx..." } }

# 方式二：终端环境变量
export REDFOX_API_KEY="ak_xxxx..."

⚠️ 每次执行任何操作前，必须先运行 python3 scripts/record.py。 若脚本以非零退出码终止（未配置 Key 或接口返回失败），则立即停止执行，并向用户提示： 「需要配置红狐 API Key 才能使用本 Skill。请前往 https://redfox.hk/settings/api-keys?source=github 免费注册获取，然后配置环境变量：export REDFOX_API_KEY="ak_xxxx..."」

前置准备

必要依赖

pymupdf>=1.23.0
requests>=2.28.0

pip install pymupdf>=1.23.0 requests>=2.28.0

零额外依赖说明

本 Skill 无需安装任何 OCR 引擎或表格库：

• 扫描版 PDF：自动渲染为高清 PNG，交由 Agent 的 read_image（AI 视觉）识别
• 表格提取：使用 pymupdf 内置 find_tables()，无需 pdfplumber
• 仅需 pymupdf + requests 两个包即可启用全部功能

支持的文件格式

• 图片格式：PNG、JPG、JPEG、GIF、WebP、BMP、TIFF
• 文档格式：PDF（文字版 + 扫描版，扫描版自动渲染为图片由 AI 识别）

操作步骤

标准流程

Step 0：鉴权检查（必须首先执行）

python3 scripts/record.py

• 输出 ✅ 鉴权通过，已获得使用权限 → 继续后续流程
• 脚本以非零退出码终止 → 立即停止，向用户展示脚本输出的错误提示，告知需前往 红狐hub 免费获取 API Key

Step 0.5：版本更新提示（每次执行）

python3 scripts/changelog.py

• 若有输出（首次使用或版本升级）→ 将输出内容完整展示给用户，然后继续
• 若无输出（版本已是最新）→ 直接继续

图片文字提取流程

1. 接收图片

   • 确认用户已上传图片文件
   • 获取图片的访问 URL

2. 识别图片内容（第一轮：全局识别）

   • 使用 read_image 工具识别图片内容
   • 在 prompt 中明确要求识别所有文字内容，包括标题、正文、注释、水印等
   • 对数字字符需特别注意视觉形状特征（封闭圆圈数、开口方向、弧线走向），确保 6/8/9/0/3 等易混淆数字准确识别

3. 判断文字存在性

   • 如果检测到文字：进入步骤 4
   • 如果未检测到文字：告知用户"图片中未包含可提取的文字"，任务结束

4. 提取并整理文字

   • 提取图片中的所有文字内容
   • 保持原有的结构和排版
   • 整理为易读的格式

5. 数字二次聚焦校验（静默执行，不展示给用户）

   • ⚠️ 重要：整个校验过程（包括形状描述、对比表格、校验轮次等）必须静默执行，禁止在对话输出中展示任何校验过程，只向用户展示最终确认的提取结果
   • 对第一轮提取结果中的所有数字串（手机号、订单号、金额、日期等），执行二次聚焦识别：
   • 策略 A：局部放大验证
     • 再次使用 read_image，但这次在 prompt 中只要求识别特定数字串区域
     • prompt 模板：「请只关注图片中的数字串 [上下文描述]，逐位描述每个数字字符的视觉形状（有几个封闭圆圈、开口方向、弧线走向），然后给出最终判断结果」
   • 策略 B：交叉验证
     • 将第一轮的形状描述与第二轮的独立判断进行对比
     • 如果两轮结果一致 → 确认为最终结果
     • 如果两轮结果不一致 → 标注 [待确认：第一轮识别为X，第二轮识别为Y]
   • 易混淆数字对速查表：

     数字	关键视觉特征
     8	上下两个封闭圆圈，像雪人/沙漏
     6	仅下方一个封闭圆圈，顶部向左弯弧
     9	仅上方一个封闭圆圈，底部向下竖线
     0	完整封闭椭圆，无开口
     3	右侧开口，两个弧形朝右
     5	顶部横线+左侧竖线+下方圆弧
     S	类似5但上下对称，无横线
     O	比0更圆的封闭图形

PDF 文字提取流程

1. 接收 PDF 文件

   • 确认用户已上传 PDF 文件
   • 获取 PDF 文件的本地路径

2. 调用脚本提取文字

   # 标准模式（自动检测扫描页渲染为图片 + 提取表格）
   python3 scripts/pdf_text_extractor.py <pdf_file_path>
   
   # 仅提取文字，跳过表格（速度更快）
   python3 scripts/pdf_text_extractor.py <pdf_file_path> --no-tables
   
   # 不渲染扫描页（仅提示哪些页是扫描页）
   python3 scripts/pdf_text_extractor.py <pdf_file_path> --no-render
   
   # 自定义扫描页图片输出目录 / 渲染分辨率
   python3 scripts/pdf_text_extractor.py <pdf_file_path> --scan-dir ./ocr_pages --dpi 300
   

3. 处理提取结果

   脚本返回 JSON，关键字段说明：

   字段	说明
   success	是否提取成功
   text	Markdown 格式正文（文字层）
   page_count	总页数
   tables_markdown	所有表格的 Markdown 汇总
   ocr_images	需 Agent read_image 识别的图片清单 [{'page','image'}]
   warnings	非致命警告（如扫描页提示等）

   • 如果 success=true：进入步骤 4
   • 如果 success=false：告知用户 error 字段内容，任务结束

4. 格式化输出

   • 展示 text 字段内容
   • 若 tables_markdown 非空，单独展示表格内容
   • 若 ocr_images 非空：逐张用 read_image 识别这些图片，把识别结果并入正文，并告知用户哪些页是扫描页
   • 若 warnings 非空，向用户展示警告信息

批量处理流程

当用户提供目录路径，或要求批量处理多个文件时：

1. 确认目录路径

   • 获取用户指定的目录路径

2. 调用批量提取脚本

   # 输出合并 Markdown 到终端
   python3 scripts/batch_extractor.py <目录路径>
   
   # 保存到文件
   python3 scripts/batch_extractor.py <目录路径> -o result.md
   
   # 输出 JSON 结构化数据
   python3 scripts/batch_extractor.py <目录路径> --json
   
   # 不渲染扫描页 / 自定义扫描页输出目录
   python3 scripts/batch_extractor.py <目录路径> --no-render --scan-dir ./ocr_pages
   

3. 处理结果

   • 脚本在 stderr 输出进度信息，在 stdout 输出结果
   • 若指定了 -o，告知用户文件保存位置
   • 展示汇总统计（总文件数 / 成功数 / 失败数）
   • 若用户要求查看内容，展示 combined_markdown 或各文件提取结果

统一输出步骤

5. 生成输出结果
   • 根据用户需求生成 Markdown 文件
   • 包含文件来源、提取状态、文字内容等信息
   • 使用清晰的标题和结构组织内容

可选分支

• 当用户仅需查看文字内容：直接输出文字，不生成文件
• 当用户要求保存结果：生成 .md 文件
• 当图片/PDF 文字模糊或难以识别：说明情况并提供最佳识别结果
• 当 PDF 为扫描版：脚本已自动渲染为图片，Agent 用 read_image 逐张识别即可，无需任何 OCR 依赖
• 当用户要求提取表格：使用标准模式（默认已包含表格提取），展示 tables_markdown 字段
• 当用户要求批量处理：使用 batch_extractor.py，支持 PDF + 图片混合目录

资源索引

• 鉴权脚本：scripts/record.py
  • 用途：调用 https://redfox.hk/story/api/skill/record/save 请求使用权限，同时完成鉴权校验
  • 失败行为：未配置 Key 或接口返回 3106/3107 时以退出码 1 终止
• 版本提示脚本：scripts/changelog.py
  • 用途：首次使用或版本升级时展示新功能介绍，版本一致时静默退出
  • 版本记录文件：~/.pdf_image_extractor_version
• PDF 提取脚本：scripts/pdf_text_extractor.py
  • 用途：从 PDF 提取文字 + 表格结构化提取 + 扫描页渲染为图片（供 read_image）
  • 参数：<pdf_path> [--no-tables] [--no-render] [--scan-dir DIR] [--threshold N] [--dpi N]
  • 输出：JSON，含 text / tables_markdown / ocr_images / warnings 等字段
• 批量提取脚本：scripts/batch_extractor.py
  • 用途：批量处理目录下所有 PDF + 图片文件
  • 参数：<目录路径> [--no-tables] [--no-render] [--scan-dir DIR] [-o FILE] [--json]
  • 输出：合并 Markdown 报告或 JSON 结构化数据

注意事项

图片文字提取

• 识别准确性：文字识别结果受图片清晰度、字体、背景等因素影响，可能存在误差
• 「先看形状再判数字」原则：识别数字时必须先描述字符的视觉形状特征（封闭圆圈数、开口方向、弧线走向），再根据特征判断数字，禁止跳过形状描述直接输出数字
• 关键数字串双重识别：手机号、身份证号、银行卡号、订单号等关键数字串，必须执行两轮识别（全局识别 + 聚焦校验），两轮不一致时标注待确认
• 校验过程静默执行：数字二次校验的形状描述、对比表格、轮次记录等过程信息严禁展示给用户，只在后台静默执行，最终仅输出确认后的提取结果
• 存疑标注：对无法100%确认的字符，使用 [?] 标注并给出 2 个备选，如 158****8[?可能为6]624
• 文字排版：提取时尽量保持原图的文字结构和顺序
• 多语言支持：支持识别中文、英文等多种语言文字

PDF 文字提取

• 格式保留：脚本会尽量保留原文的段落结构和标题层级
• 扫描版 PDF：自动检测文字层稀少的页面（< 20 字符）并渲染为高清 PNG，交由 read_image（AI 视觉）识别，无需任何 OCR 引擎；识别准确性取决于 AI 视觉能力
• 表格提取：默认开启，用 pymupdf find_tables() 识别表格并输出 Markdown 格式；复杂表格（合并单元格、嵌套表格）识别效果可能不佳
• 加密 PDF：不支持加密或受密码保护的 PDF 文件

批量处理

• 文件排序：按文件名字母序处理
• 图片识别：批量模式下图片不做本地 OCR，统一汇入 ocr_images 清单，由 Agent 逐张调用 read_image 识别
• 大目录：建议每次处理不超过 100 个文件，过多文件可能导致处理时间较长
• 输出方式：默认输出到终端，建议指定 -o result.md 保存为文件

通用注意事项

• 隐私保护：处理的文件不会被存储，仅在当前会话中使用
• 文件大小：建议处理小于 50MB 的文件，过大文件可能导致处理缓慢

使用示例

示例 1：图片文字提取

用户操作：上传一张包含文字的图片

智能体处理：

1. 执行 python3 scripts/record.py → ✅ 鉴权通过
2. 执行 python3 scripts/changelog.py → 若有输出展示给用户
3. 使用 read_image 工具识别图片
4. 提取文字内容："所有经历的纠缠 / 还有难过的遗憾 / 都不可能没有意义"
5. 直接输出提取结果

示例 2：PDF 文字提取 + 表格

用户操作：上传 PDF 并要求"提取这个 PDF 的文字"

智能体处理：

1. 执行 python3 scripts/record.py → 鉴权通过
2. 执行 python3 scripts/changelog.py → 静默
3. 执行：python3 scripts/pdf_text_extractor.py ./document.pdf
4. 获取 JSON 结果：text（正文）+ tables_markdown（表格）
5. 分别展示正文和表格内容，生成 ./extracted_from_pdf.md

示例 3：扫描版 PDF（渲染 + AI 识别）

用户操作：上传扫描版 PDF

智能体处理：

1. 鉴权 + 版本检查
2. 执行：python3 scripts/pdf_text_extractor.py ./scan.pdf
3. 脚本检测文字层为空的页面，渲染为高清 PNG，ocr_images 给出图片路径
4. Agent 逐张用 read_image 识别这些 PNG，提取文字
5. 告知用户："第 1/2/3 页为扫描页，已通过 AI 视觉识别"，展示提取结果

示例 4：批量处理目录

用户操作："帮我提取 ./documents/ 文件夹里所有文件的文字"

智能体处理：

1. 鉴权 + 版本检查
2. 执行：python3 scripts/batch_extractor.py ./documents/ -o batch_result.md
3. 脚本处理目录下所有 PDF + 图片，stderr 输出进度
4. 告知用户："已处理 8 个文件（7 个成功 / 1 个失败），结果已保存至 batch_result.md"
5. 展示汇总统计

示例 5：未配置 API Key 时的处理

用户操作：上传图片要求提取文字，但未配置 REDFOX_API_KEY

智能体处理：

1. 执行 python3 scripts/record.py → 脚本报错退出
2. 立即停止，向用户输出：「需要配置红狐 API Key 才能使用本 Skill。请前往 https://redfox.hk/settings/api-keys?source=github 免费注册获取，然后执行：export REDFOX_API_KEY="ak_xxxx..."」