ThreeFish-AI PDF Reader
专门处理 PDF 文档的内容提取，保持原文档的结构和格式。
核心功能
1. 内容提取
- 文本内容: 保留原始排版和格式
- 图片资源: 高质量提取并保存
- 表格数据: 转换为 Markdown 表格格式
- 数学公式: 保留 LaTeX 格式
- 元数据: 标题、作者、创建时间等
2. 结构保持
- 维持文档的章节结构
- 保留页面编号（如需要）
- 保持标题层级关系
- 维护列表和引用格式
Workflow
单文档处理
使用 data-extractor.convert_pdf_to_markdown：
参数配置:
extract_images: true # 提取图片
extract_tables: true # 提取表格
extract_formulas: true # 提取公式
embed_images: false # 图片保存为独立文件
include_metadata: true # 包含文档元数据
批量文档处理
使用 data-extractor.batch_convert_pdfs_to_markdown：
- 支持多个 PDF 文件同时处理
- 保持每个文档的独立性
- 统一的输出格式
页面范围处理（批次支持）
- 指定页面范围：
[start, end] - 支持非连续页面处理
- 用于预览或选择性提取
- 批次处理时指定具体页面段
图片处理流程
1. 图片提取
- 自动识别文档中的所有图片
- 保持原始分辨率
- 支持多种图片格式
2. 图片分析
使用 zai-mcp-server 分析图片内容：
- 理解图片描述
- 生成合适的文件名
- 创建 alt 文本
3. 图片保存
- 保存路径：
/path/to/source/images/pdf_name/ - 命名规则：
figure_{N}_{description}.png - 文件名使用英文，简短且具有描述性
输出格式
Markdown 内容结构
# 文档标题
## 元数据
- **标题**: {title}
- **作者**: {author}
- **页数**: {page_count}
- **创建时间**: {creation_date}
## 内容
### 1. 章节标题
章节内容...
| 表格标题 |
| -------- |
| 内容 |
$$
数学公式
$$
返回数据结构
{
"success": true,
"content": "Markdown 格式的内容",
"metadata": {
"title": "文档标题",
"author": "作者",
"page_count": 150,
"creation_date": "2025-01-01"
},
"assets": {
"images": [
{
"filename": "figure_1_diagram.png",
"path": "../images/pdf_name/figure_1_diagram.png",
"description": "系统架构图"
}
],
"tables": 5,
"formulas": 12
},
"statistics": {
"total_words": 15000,
"total_paragraphs": 80,
"processing_time": "2.5s"
}
}
使用示例
基本用法
提取这个 PDF 的内容：/path/to/document.pdf
指定页面范围
提取 PDF 的第 10-20 页：/path/to/document.pdf [10, 20]
批量处理
批量处理这些 PDF：
- /path/to/doc1.pdf
- /path/to/doc2.pdf
- /path/to/doc3.pdf
高级选项
提取 PDF 内容，需要包含所有图片和表格，但不提取公式：/path/to/document.pdf
指定页面范围（批次处理）
提取 PDF 的第 10-20 页（用于批次处理）：/path/to/document.pdf --range 10-20
批量处理（多批次）
批量处理这些 PDF，每个文档独立处理：
- /path/to/doc1.pdf
- /path/to/doc2.pdf
- /path/to/doc3.pdf
特殊处理
加密 PDF
- 支持密码保护的文档
- 需要提供密码参数
- 自动检测加密状态
扫描版 PDF
- OCR 文字识别（如果需要）
- 图片质量优化
- 布局重建
复杂布局
- 多栏布局处理
- 页眉页脚处理
- 脚注和尾注提取
质量保证
内容验证
- 检查提取完整性
- 验证图片引用
- 确认公式格式
格式检查
- Markdown 语法验证
- 表格格式正确性
- 链接有效性
错误处理
- 部分页面提取失败的处理
- 图片提取失败的标记
- 格式转换问题的记录
性能优化
大文件处理
- 自动启用批次模式（>30 页）
- 内存使用优化
- 进度跟踪
并行处理
- 多文档并行提取
- 资源使用控制
- 错误隔离
注意事项
- 文件路径: 使用绝对路径或相对路径
- 权限要求: 确保文件可读
- 存储空间: 图片可能需要额外空间
- 处理时间: 大文档处理需要时间
- 质量检查: 建议人工检查关键内容
故障排除
常见问题
- 图片路径错误: 检查图片目录创建权限
- 格式混乱: 检查原始 PDF 质量
- 提取不完整: 检查 PDF 是否加密或损坏
- 内存不足: 减少批次大小或分批处理