Agent Skill

PDF和图片文字提取

从 PDF、扫描文档和图片中可靠恢复可读文字与版面结构。自动区分原生文本 PDF、扫描型 PDF 与混合型 PDF,优先使用高保真的文本层解析,在低文字密度、异常编码或扫描页面时切换视觉识别;支持分页、段落、标题、列表、表格、页眉页脚、关键数字、置信风险和结果校验,按用户需要输出原文转写、结构化 Markdown、纯文本或可保存文件。适用于合同、论文、票据、表单、截图、扫描件、书页和多页资料。

办公效率·劳希·来自 skill_hub·skillhub.cn ↗
skillhub install @laoxi/pdf-tupianwenzitiqu
17 Stars·3万 综合热度·3,918 字文档·源站更新 2026-10-31

README 文档

3,918 字

PDF和图片文字提取

1. 核心定位

本 Skill 的目标不是“把看到的字随便抄下来”,而是尽可能保真地恢复文档中的文字、阅读顺序和结构,并对高风险内容进行针对性复核。

处理对象包括:

  • 单张图片:PNG、JPG/JPEG、WEBP、BMP、TIFF、GIF 等常见格式。
  • PDF:原生文字 PDF、扫描型 PDF、文字与扫描混合型 PDF。
  • 典型文档:合同、论文、报告、发票/票据、表单、证件、书籍页面、网页截图、聊天截图、宣传图。

默认原则:

  1. 先判断文档类型,再选择识别路径。
  2. 原生 PDF 优先直接提取文本层,视觉识别作为补救,而不是默认替代。
  3. 扫描页必须经过视觉/OCR 路径,不能把“文本层为空”误判为“页面没有文字”。
  4. 保持阅读顺序与结构优先于制造漂亮 Markdown。
  5. 不确定的字符宁可标记风险,也不要伪装成确定结果。
  6. 关键数字、代码、编号、金额和表格数据要采用更严格的复核策略。

2. 任务识别

收到文件后,先判断用户真正需要的输出类型:

用户意图默认动作
“提取文字”完整转写,尽量保持结构
“把 PDF 转成文字”全文提取,分页保留
“识别图片里的内容”视觉识别后按阅读顺序输出
“只要正文”去除明显页眉、页脚、装饰元素,正文优先
“只提取表格”单独恢复表格,不把单元格拼成一段文字
“提取关键数字/编号”只返回目标字段,并进行二次复核
“保存为 Markdown/TXT”先完成识别与校验,再生成文件
“告诉我这份文件写了什么”识别后进入摘要/问答流程,而非机械全文输出

如果用户没有指定范围,对单个文件默认处理全部页面;对超长文件可以先建立页面级诊断,再分批恢复全文。


3. 总体决策流程

阶段 A:文件与页面诊断

对 PDF:

  1. 获取页数、页面尺寸、元数据和加密状态。
  2. 对每页计算文字层信息,例如字符数、文字块数、图片数量、页内文字面积占比等。
  3. 将页面归类为:
  • native-text:有可靠文本层;
  • scanned:几乎无文本层但存在页面图像;
  • mixed:同时存在文本层和图片内容;
  • suspicious:文本层异常,如字符乱码、编码异常、字符极少但页面明显有内容。
  1. 仅针对需要识别的页面触发视觉/OCR,不要无脑把整本 PDF 全部栅格化。

对图片:

  1. 检查分辨率、方向、透明背景、是否明显倾斜、是否存在复杂背景。
  2. 判断是否存在文字区域以及可能的阅读方向。

阶段 B:选择识别路径

原生 PDF → 文本层提取 → 结构恢复 → 风险检测 → 必要时局部视觉复核。

扫描 PDF → 页面渲染 → 视觉/OCR → 结构恢复 → 风险检测 → 关键区域复核。

混合 PDF → 文本层 + 页面图像联合判断。对文本层缺失或明显与视觉内容不一致的区域进行补识别。

图片 → 视觉识别 → 阅读顺序恢复 → 关键内容复核。


4. PDF 原生文本恢复规范

4.1 不可使用的简化逻辑

禁止仅凭以下单一条件判断标题或段落:

  • “字体 > 16 就是标题”;
  • “加粗就是标题”;
  • “每个 TextBlock 都是一段”;
  • “每页只需按 API 返回顺序拼接”。

这些特征只能作为候选信号。

4.2 推荐恢复策略

优先获取:

  • span 文本、字体、字号、粗体/斜体信息;
  • block / line / span 的坐标;
  • 文本块边界;
  • 页面的阅读方向与列结构。

恢复时综合判断:

  • X/Y 坐标连续性;
  • 相邻行间距;
  • 左边界是否一致;
  • 字号相对正文的差异;
  • 粗体、全大写、编号模式;
  • 前后内容是否形成标题—正文层级;
  • 两栏/多栏情况下的列顺序。

目标是恢复“可读的原文结构”,而不是臆造原 PDF 的排版源文件。

4.3 空格与换行

不要对每个 span 直接 .strip() 后再机械连接。

应根据:

  • span 间 X 坐标间距;
  • 原始文本中的空格;
  • 中文连续字符;
  • 英文单词边界;
  • 标点位置;
  • 行尾连字符;

判断是否需要插入空格或换行。

中文正文通常不应在每个 span 之间强行加入空格。

4.4 多栏页面

检测同页多个明显的 X 坐标簇。若存在双栏或多栏,应按“栏 → 从上到下”的顺序阅读,而不是简单按照内部对象顺序拼接。


5. 扫描 PDF 与图片识别规范

5.1 OCR/视觉识别不是“最后一句话”

只要页面文字层为空、极少,或疑似乱码,就必须考虑视觉路径。

可使用当前环境中可用的视觉/OCR能力。若存在图像理解工具,应优先直接让模型读取页面图像;若需要程序辅助,可使用 scripts/pdfpageprobe.py 渲染指定页面。

5.2 图像识别提示要求

识别时应明确要求:

  • 读取全部可见文字,而不是只读标题;
  • 保持自然阅读顺序;
  • 区分标题、正文、列表、表格、脚注、页眉页脚;
  • 保留原文标点、大小写、数字、小数点、百分号、货币符号;
  • 不猜测被遮挡或不可辨识字符;
  • 对模糊位置使用 [?] 或 [无法辨认],不要凭常识补全;
  • 表格必须按行列关系恢复;
  • 对旋转文字、竖排文字、边缘文字单独注意。

5.3 图片质量不足时

先判断是否值得预处理:

  • 旋转/方向矫正;
  • 适度放大;
  • 灰度化/对比度增强;
  • 局部裁剪;
  • 对倾斜页面做纠偏。

不要无限尝试“美化图片”。当原始像素已经不足时,应明确保留不确定性。


6. 结构恢复规则

输出结构优先级:

标题 > 段落 > 列表 > 表格 > 引用/注释 > 页眉页脚 > 装饰元素

标题

标题判断需要结合多个信号。建议使用:

  • 相对字号;
  • 粗体/字重;
  • 独立成行;
  • 前后留白;
  • 编号模式,如 1.、1.1、(一);
  • 与正文的语义关系。

仅在证据充分时才提升为 Markdown 标题;证据不足时保持普通文本。

列表

识别:

  • •、-、*;
  • 1.、2.;
  • a)、b);
  • (1)、(2);
  • 中文序号。

保留原有编号,不要自动重编号。

表格

表格是高风险区域。若能可靠恢复,应输出 Markdown 表格或结构化数据;若列边界不确定,不要凭空移动单元格。

推荐策略:

  1. 先识别表头;
  2. 判断行列边界;
  3. 对合并单元格保留语义;
  4. 逐行校验数字;
  5. 无法可靠恢复时,退化为“按行转写”,并说明布局可能存在损失。

页眉页脚

跨页面重复出现、位置固定、字号较小的文本,可判为候选页眉/页脚。只有在重复性足够明显时才折叠;不要误删正文中的重复句子。


7. 高风险内容复核

必须重点复核:

  • 日期;
  • 金额、税率、百分比;
  • 电话号码;
  • 订单号、合同号、票据号;
  • 身份/证件编号;
  • 银行账号或其他长数字串;
  • 邮箱、URL;
  • 型号、版本号、程序代码;
  • 表格中的数字字段。

复核原则

第一轮:按正常版面识别。

第二轮:针对高风险片段做局部独立复核,优先查看原图对应区域。

第三轮仅在必要时执行:当两次结果冲突,或结果与上下文存在明显矛盾。

不得因为“常识上应该是某个数字”而强行覆盖视觉证据。

不确定结果

优先使用:

  • [?]:单字符不确定;
  • [无法辨认]:整段无法可靠读取;
  • [候选:A / B]:存在少量明确候选。

不要把未知字符替换成看似合理的字符。


8. 输出模式

根据用户需求选择一种主输出模式:

A. 保真转写

适用于“逐字提取”“完整 OCR”。

  • 尽量忠实;
  • 分页;
  • 不主动摘要;
  • 保留可确定的格式信息。

B. 结构化 Markdown

适用于阅读与后续编辑。

  • 页面标题;
  • 标题层级;
  • 段落;
  • 列表;
  • 表格;
  • 必要时保留页码标记。

C. 纯文本

适用于复制到其他程序。

  • 删除 Markdown 标记;
  • 保留自然段与基本换行。

D. 数据抽取

适用于只要字段、数字或表格。

  • 只输出目标信息;
  • 不混入长篇 OCR 原文;
  • 对字段做二次校验。

E. 文件输出

用户要求保存时才创建 .md、.txt 或其他明确格式;文件生成前先完成识别与校验。


9. 页面级状态与异常处理

每页在内部可标记:

  • OK_NATIVE:文本层稳定;
  • OK_VISION:视觉识别稳定;
  • MIXED:文本层与视觉内容联合恢复;
  • LOW_CONFIDENCE:存在明显不确定内容;
  • NEEDS_REVIEW:关键字段发生冲突;
  • EMPTY_PAGE:确认为空白页;
  • FAILED:页面无法可靠读取。

最终回复不必展示全部内部状态,但当识别存在明显损失时,应简洁告知用户影响范围,例如“第 7 页表格列界线不清,数字字段存在少量不确定项”。

加密/受限 PDF

遇到密码保护、损坏、无法解析或权限受限:

  1. 明确说明是哪一类问题;
  2. 不伪造提取结果;
  3. 如果用户能提供解锁后的文件,再继续处理。

10. 大文件策略

对于超长 PDF:

  1. 先读取页数与页面诊断信息;
  2. 只对需要视觉识别的页面进行渲染;
  3. 分批处理,不要一次把整本文档全部塞入上下文;
  4. 每批完成后记录页码范围;
  5. 最终按原页序合并。

默认优先保证准确率,而不是追求一次性处理完所有页面。


11. 质量控制清单

在提交最终结果前,内部检查:

  • [ ] 页数是否与源文件一致;
  • [ ] 是否漏掉低文字密度页面;
  • [ ] 扫描页是否走视觉/OCR 路径;
  • [ ] 多栏页面阅读顺序是否合理;
  • [ ] 标题是否存在明显误判;
  • [ ] 段落和换行是否自然;
  • [ ] 表格是否发生列错位;
  • [ ] 高风险数字是否复核;
  • [ ] 不确定字符是否明确标记;
  • [ ] 是否错误添加了原文没有的内容;
  • [ ] 用户要求的是全文、正文、字段还是摘要,是否匹配;
  • [ ] 生成文件后是否能正常打开并包含完整内容。

12. 推荐操作模板

图片

读取整张图片中的所有可见文字,按自然阅读顺序恢复。保留标题、正文、列表、表格、注释和关键数字。不要猜测模糊字符;不确定处标记 [?]。若存在表格,优先恢复行列关系。

PDF 原生文本页

优先使用 PDF 文本层。根据坐标、行距、字号、字重和列结构恢复自然阅读顺序;不要简单按对象顺序拼接,也不要仅凭字号判定标题。

扫描 PDF 页

将页面视为图像进行完整视觉识别。保持自然阅读顺序,识别标题、段落、列表、表格、脚注和页眉页脚。关键数字与编号进行局部复核。


13. 资源

  • scripts/pdfpageprobe.py:PDF 诊断、页面文字统计、页面图像渲染及可选图片提取辅助脚本。
  • README.md:安装、调用与能力说明。

14. 设计边界

本 Skill 不承诺“100% OCR 正确”。正确做法是:能确认的准确输出;不能确认的明确标记;关键内容额外复核;无法恢复的版面诚实说明。

不要把模型推测、语义补全或常识纠错伪装成源文件原文。

同分类其他技能

查看全部 ›