pdf-reader

name pdf-reader description 全能 PDF 阅读和处理工具。支持文本提取、表格提取、图片提取、元数据读取、页面渲染、文本搜索等功能。当用户需要读取、解析或处理 PDF 文件时使用此 skill。 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