zhu-lord PDF 全能阅读/处理 Skill
此 Skill 提供对 PDF 文件的全面处理能力，基于 PyMuPDF 和 pdfplumber 两个强大的 Python 库。
功能特性
| 功能 | 描述 | 使用场景 |
|---|---|---|
| 文本提取 | 提取 PDF 文本内容，支持保留布局 | 阅读、分析、索引 |
| 表格提取 | 精确提取表格数据为结构化格式 | 数据分析、导入 Excel |
| 图片提取 | 提取内嵌图片并保存 | 素材收集、图片归档 |
| 元数据读取 | 读取标题、作者、创建日期等 | 文档管理、分类归档 |
| 页面渲染 | 将 PDF 转为 PNG/JPG 图片 | 预览、缩略图生成 |
| 文本搜索 | 在 PDF 中搜索关键词 | 快速定位内容 |
| 文档摘要 | 生成文档概览信息 | 快速了解文档内容 |
依赖安装
pip install pymupdf pdfplumber
使用方式
脚本位置
主脚本：scripts/pdf_handler.py
命令行用法
1. 提取文本
# 提取全部文本
python3 scripts/pdf_handler.py text --input document.pdf
# 提取指定页面（第1-3页）
python3 scripts/pdf_handler.py text --input document.pdf --pages 0-2
# 提取指定页面（第1页和第3页）
python3 scripts/pdf_handler.py text --input document.pdf --pages 0,2
# 不保留布局（纯文本）
python3 scripts/pdf_handler.py text --input document.pdf --no-layout
2. 提取表格
# 提取所有表格
python3 scripts/pdf_handler.py tables --input document.pdf
# 提取指定页面的表格
python3 scripts/pdf_handler.py tables --input document.pdf --pages 0-5
3. 提取图片
# 提取图片并保存到目录
python3 scripts/pdf_handler.py images --input document.pdf --output ./images/
# 提取指定页面的图片
python3 scripts/pdf_handler.py images --input document.pdf --output ./images/ --pages 0,1
4. 读取元数据
python3 scripts/pdf_handler.py metadata --input document.pdf
5. 渲染页面为图片
# 默认 150 DPI
python3 scripts/pdf_handler.py render --input document.pdf --output ./pages/
# 高分辨率 300 DPI
python3 scripts/pdf_handler.py render --input document.pdf --output ./pages/ --dpi 300
# 渲染指定页面
python3 scripts/pdf_handler.py render --input document.pdf --output ./pages/ --pages 0-4
6. 搜索文本
python3 scripts/pdf_handler.py search --input document.pdf --keyword "关键词"
# 区分大小写
python3 scripts/pdf_handler.py search --input document.pdf --keyword "Keyword" --case-sensitive
7. 生成摘要
python3 scripts/pdf_handler.py summary --input document.pdf
输出格式
文本提取输出
{
"success": true,
"total_pages": 10,
"pages": [
{
"page_number": 1,
"text": "页面文本内容...",
"word_count": 500,
"links": ["https://example.com"]
}
],
"full_text": "全部文本内容..."
}
表格提取输出
{
"success": true,
"tables": [
{
"page_number": 2,
"table_index": 1,
"data": [
["表头1", "表头2"],
["数据1", "数据2"]
],
"row_count": 2,
"col_count": 2
}
]
}
图片提取输出
{
"success": true,
"total_images": 5,
"images": [
{
"page_number": 1,
"image_index": 1,
"extension": "png",
"size": 12345,
"width": 800,
"height": 600,
"saved_path": "./images/page1_img1.png"
}
]
}
技术选型参考
| 需求场景 | 推荐工具 | 优势 |
|---|---|---|
| 快速文本提取 | PyMuPDF | 速度快，API简单 |
| 精确坐标定位 | pdfplumber | 支持区域裁剪，可视化调试 |
| 高性能处理 | PyMuPDF | C语言核心，速度最快 |
| 表格结构化 | pdfplumber | 识别精准，支持复杂表格 |
| 图片提取 | PyMuPDF | 支持各种图片格式 |
高级用法
参考 references/advanced_usage.md 了解：
- OCR 识别扫描件
- 批量处理多个 PDF
- 与 pandas 结合进行数据分析
- 导出到 Excel/CSV
限制说明
- 扫描件 PDF：纯图片 PDF 需要先进行 OCR 才能提取文本
- 加密 PDF：需要先解密才能处理
- 复杂表格：部分复杂布局的表格可能需要手动调整
- 字体问题：某些特殊字体可能导致文本提取不完整
故障排除
模块未找到
pip install pymupdf pdfplumber
中文显示问题
PyMuPDF 和 pdfplumber 都支持中文，如遇问题请检查 PDF 字体嵌入情况。
内存不足
大 PDF 文件建议分页处理：
# 不要一次性提取全部页面
python3 scripts/pdf_handler.py text --input large.pdf --pages 0-9