القائمة
从 PDF 和图片中提取内容为 Markdown 格式。用于将文档转换为 Markdown、从扫描文档中提取文字、处理技术文档，或将图片/PDF 内容数字化以便编辑和复用。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/Lionad-Morotar/blog --skill extract-to-markdownيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
استنادا إلى تصنيف SOC المهني
عرض SKILL.md
| name | extract-to-markdown |
| description | 从 PDF 和图片中提取内容为 Markdown 格式。用于将文档转换为 Markdown、从扫描文档中提取文字、处理技术文档，或将图片/PDF 内容数字化以便编辑和复用。 |
当前 SKILL 服务且仅服务于 /Users/lionad/Github/Lionad-Morotar/blog 博客项目，所有改动都应以该项目为基础。
将 PDF 文档和图片转换为结构化的 Markdown。本技能提供最佳工具推荐和工作流，实现准确提取并保留原有格式。
输入类型？
├── PDF（文本型或扫描型）
│ ├── 技术文档、学术论文 → Marker
│ └── 简单文本提取 → pdftotext (Poppler)
├── 图片（PNG、JPG 等）
│ ├── 带文字的截图 → Claude vision（直接读取）
│ ├── 扫描文档 → Tesseract OCR
│ └── 复杂布局图片 → PaddleOCR（中文支持）
└── 需要批量处理 → Marker（PDF）或 Tesseract（图片）
最适合技术文档、学术论文和复杂布局。保留结构、标题、表格和代码块。
# 单文件
marker single input.pdf --output_dir ./output
# 批量处理
marker --output_dir ./output ./pdfs/
# 指定页码范围
marker single input.pdf --output_dir ./output --page_range "0,5-10,20"
输出： Markdown 文件 + 提取的图片存放在子文件夹中
安装：
pip install marker-pdf
适用场景：
快速提取文本，不保留格式。
# 基础提取
pdftotext input.pdf output.txt
# 保留布局
pdftotext -layout input.pdf output.txt
安装：
# macOS
brew install poppler
# Ubuntu/Debian
apt-get install poppler-utils
适用场景：
对于截图和清晰的图片，Claude 可以直接读取，无需额外工具。
最适合：
开源 OCR 引擎，适合扫描文档。
# 单张图片
tesseract image.png output -l eng
# 多语言
tesseract image.png output -l eng+chi_sim
# 保留空白
tesseract image.png output --psm 6
安装：
# macOS
brew install tesseract
# Ubuntu/Debian
apt-get install tesseract-ocr
# 语言包
brew install tesseract-lang # macOS
apt-get install tesseract-ocr-chi-sim # 简体中文
页面分割模式（--psm）：
| 模式 | 使用场景 |
|---|---|
| 3 | 默认，自动分割 |
| 6 | 单一均匀文本块 |
| 11 | 稀疏文本 - 尽可能找到更多文字 |
| 12 | 带 OSD 的稀疏文本 |
更适合中文文本和复杂布局。
# 安装
pip install paddleocr
# 命令行
paddleocr --image_dir image.png --use_angle_cls true --lang ch
# Python
from paddleocr import PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, lang='ch')
result = ocr.ocr('image.png', cls=True)
适用场景：
移除页码和页眉：
^\d+$\n? # 独立数字（页码）
修复断句：
表格格式：
图片引用：
_page_X_Picture_Y.jpeg| 问题 | 解决方案 |
|---|---|
| Marker 转换慢 | 首次运行需下载模型；后续运行更快 |
| Tesseract 识别错误 | 尝试不同的 --psm 模式或图片预处理 |
| 复杂表格 | Marker 处理效果最佳；可能需要手动清理 |
| 中文文本 | 使用 PaddleOCR 或 Tesseract 配合 chi_sim 语言包 |
| 带图片的扫描 PDF | Marker 自动提取文字和图片 |
提取 Markdown 后，使用 LLM 进行润色：