Menu
PDF 处理工具，支持扫描件预处理、OCR 双层 PDF、页码添加、PDF 合并、解密、水印去除和压缩。本技能应在用户需要一键处理、优化或整理 PDF 文档时使用。不要用于：纯文本 PDF 内容编辑、PDF 阅读与批注、电子签名、非压缩目的的格式转换。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
| name | pdf-processor |
| homepage | https://github.com/cat-xierluo/legal-skills |
| author | 杨卫薪律师（微信ywxlaw） |
| version | 2.10.2 |
| description | PDF 处理工具，支持扫描件预处理、OCR 双层 PDF、页码添加、PDF 合并、解密、水印去除和压缩。本技能应在用户需要一键处理、优化或整理 PDF 文档时使用。不要用于：纯文本 PDF 内容编辑、PDF 阅读与批注、电子签名、非压缩目的的格式转换。 |
| license | MIT |
本技能是 PDF 处理的统一入口，覆盖扫描件预处理、OCR 双层 PDF 生成、页码添加、PDF 合并、解密、水印去除和压缩。优先保护原始文件，按用户意图选择最短可用流程。
核心职责：
本技能不做纯文本 PDF 内容编辑、PDF 阅读批注、电子签名、非压缩目的的格式转换。
_1、_2 等序号。ocrmypdf 默认直接保留原 PDF，只有 MinerU 或显式图像处理请求才走统一栅格预处理。auto 在已配置时默认优先 PaddleOCR API，再尝试 MinerU，最后回退本地 ocrmypdf；明确禁止外传的材料必须使用 --local-only。--force-raster-preprocess。--preprocess-only。python3 scripts/pdf-preprocess-ocr.py --input input.pdf --output output.pdf
auto 选中已配置的 PaddleOCR 时，默认把原 PDF 直接送给 PP-OCRv6，跳过统一栅格化和 OCR 前压缩，以保留扫描分辨率、图像层和 API 坐标空间；实际后端确定为本地 ocrmypdf 时同样保留原扫描页，并使用 OCRmyPDF 自带的方向检测、纠偏和清理。MinerU 或显式预处理路径仍以 medium 的 200 DPI、JPEG 质量 72、色度子采样 1 为目标，并以 25MP 保护异常大画布。确需裁剪或统一重栅格化时使用 --enable-crop 或 --force-raster-preprocess。电子/混合 PDF 自动保留原有层。文件大小限制很严时使用：
python3 scripts/pdf-preprocess-ocr.py --input input.pdf --output output.pdf --compress-level high
确需保留超大栅格时可显式调高上限；--max-preprocess-megapixels 0 会关闭保护，但可能显著增加内存占用和 OCR 跳页风险。
敏感材料用统一入口但禁止外传：
python3 scripts/pdf-preprocess-ocr.py --input input.pdf --output output.pdf --local-only
页面方向已正确的大批量扫描件可提速：
python3 scripts/pdf-preprocess-ocr.py --input input.pdf --output output.pdf \
--skip-coarse-rotation --preprocess-jobs 6 --preprocess-chunk-pages 80
python3 scripts/pdf-preprocess-ocr.py --input input.pdf --output output.pdf --preprocess-only
只做页面矫正、不压缩、不 OCR：
python3 scripts/pdf-preprocess-ocr.py --input input.pdf --output output.pdf \
--preprocess-only --no-compress
python3 scripts/pdf-ocr.py --input input.pdf --output output.pdf
默认后端为 auto：已配置 PaddleOCR 时先用 PP-OCRv6 的行级坐标生成文字层，再按 OCR_API_ORDER 尝试 MinerU；外部服务失败或未配置时回退本地 ocrmypdf。该默认路径会上传完整 PDF，不允许外传时使用：
python3 scripts/pdf-ocr.py -i input.pdf -o output.pdf --local-only
--allow-external-upload 仅为旧命令兼容参数，不再控制后端选择。Paddle 的服务端方向矫正和去畸变默认关闭，避免 OCR 坐标与原图空间不一致。
# 强制本地兜底
python3 scripts/pdf-ocr.py -i input.pdf -o output.pdf --backend local_ocrmypdf
# 强制 PaddleOCR API；PP-OCRv6 是双层 PDF 默认模型
python3 scripts/pdf-ocr.py -i input.pdf -o output.pdf \
--backend paddle_api --paddle-model PP-OCRv6
# 干净扫描件/表格可试 PP-StructureV3 的 overall_ocr_res 行级坐标
python3 scripts/pdf-ocr.py -i input.pdf -o output.pdf \
--backend paddle_api --paddle-model PP-StructureV3
# 强制 MinerU API
python3 scripts/pdf-ocr.py -i input.pdf -o output.pdf --backend mineru_api
# 显式保存 OCR 可读文本和运行元数据；默认不归档案件材料
python3 scripts/pdf-ocr.py -i input.pdf -o output.pdf --archive-results
后端选择、API 配置和协议细节见 references/ocr-backend-guide.md、references/paddleocr-api-guide.md、references/mineru-api-guide.md。
PaddleOCR-VL-1.5/1.6 也可解析，但只提供块级坐标，文字层定位粒度低于 PP-OCRv5/v6 / PP-StructureV3。本技能不接入 Qwen/GLM 等视觉识别链路，也不宣称云端结果含字符级坐标。
PP-OCRv6 文字模型默认开启 --actualtext：文字层生成后再调一次 PP-StructureV3 拿版面，融合出自然段并以 /ActualText marked-content 写入 PDF，让从 PDF 复制的文字按段落连续而非按物理行断行。--no-actualtext 可关闭；--layout-dump FILE 复用已有版面 dump 避免二次 API 调用。阅读器兼容性见下文第 4 节。
双层 PDF 的文字层按行叠层（保护选区坐标精度），直接从 PDF 复制会按物理行断行。解决方式有两条：
默认：/ActualText + 独立 Markdown。 --actualtext（默认开启）把自然段写入 PDF 的 /ActualText marked-content，同时保留行级字形坐标。实测各阅读器支持：
| 提取方式 | 从 PDF 复制的段落连续性 |
|---|---|
Poppler（pdftotext -raw、pdftotext 默认） | ✅ 整段连续，无换行 |
| PyMuPDF、pypdf、macOS 预览（PDFKit） | ❌ 仍按物理行断行 |
因此 Poppler 用户能直接从 PDF 拿到段落级文本；macOS 预览用户复制仍会断行，需用独立 Markdown（pdf_ocr_paragraphs.py 输出的 clean.md）作为段落文本交付。个别自然段若跳过被排除的行（如印章碎片），因物理行不连续无法包裹，会降级为行级（文字不丢失，仅该段复制按行断行）。
需要解决复制文本中的段内回车、多余空行和印章文字时，采用两模型分工：PP-OCRv6 提供主要行级文字及坐标，PP-StructureV3 提供阅读顺序、区域类型和 seal 区域。只有 v6 行置信度低于 0.80、Structure 对应行置信度不低于 0.90、双方坐标高度重合且后者至少高 0.10 时，才采用 Structure 的行级文字兜底；始终不读取版面块文字，也不调用大语言模型。
Structure 的块边界只作为候选而非强制段界：融合器先合并同一视觉行的碎片，在 text 区域内按行距、缩进和右边界恢复物理换行，再依据句末标点和条款编号跨相邻文本块连接正文；table 区域按视觉行保留单元格次序并用 | 分隔。这样可处理 Structure 高覆盖但正文块过度切碎的页面。
需要独立 Markdown、自定义 dump 审查或复用已有版面 dump 时，用以下四步法（主流程已默认自动完成等价工作）：
# 1. 获取文字真值（--dump-and-pdf 同时出 dump 和双层 PDF）
python3 scripts/pdf-ocr.py -i input.pdf -o output.pdf \
--backend paddle_api --paddle-model PP-OCRv6 \
--ocr-dump /tmp/text.json --dump-and-pdf
# 2. 获取版面结构
python3 scripts/pdf-ocr.py -i input.pdf -o unused.pdf \
--backend paddle_api --paddle-model PP-StructureV3 --ocr-dump /tmp/layout.json
# 3. 生成自然段文本，同时输出不含正文的诊断和已过滤文字层 dump
python3 scripts/pdf_ocr_paragraphs.py \
--text-dump /tmp/text.json --layout-dump /tmp/layout.json \
--output /tmp/clean.md --diagnostics /tmp/paragraphs.json \
--filtered-dump /tmp/text-filtered.json
# 4. 用过滤后的行级坐标生成双层 PDF
python3 scripts/pdf-ocr.py -i input.pdf -o output.pdf \
--backend paddle_api --ocr-resume /tmp/text-filtered.json
诊断中的 layout_coverage 低于 0.75 时自动退回纯几何规则；同时查看 structure_text_fallbacks 和 layout_boundary_merges，确认低置信替换与跨块合并均可审计。只有 Structure 明显漏块、区域类型错误或阅读顺序错误，且纯几何回退仍不能恢复时，才另测 PaddleOCR-VL-1.5 作为 --layout-dump；VL-1.6 不作为默认兜底。全文、dump 与账号等敏感信息继续只放临时目录，除非用户明确要求归档。
# 手动旋转
python3 scripts/pdf-rotate.py --input input.pdf --output output.pdf --angle 90
# 解密
python3 scripts/pdf-decrypt.py --input input.pdf --output output.pdf
python3 scripts/pdf-decrypt.py --input input.pdf --output output.pdf --password 123456
# 去水印
python3 scripts/pdf-remove-watermark.py --input input.pdf --output output.pdf
# 压缩
python3 scripts/pdf-compress.py -i input.pdf -o output.pdf --level medium
# 加页码
python3 scripts/pdf-add-page-numbers.py -i input.pdf -o output.pdf
# 合并
python3 scripts/pdf-merge.py -i file1.pdf file2.pdf file3.pdf -o merged.pdf
python3 scripts/pdf-merge.py -i file1.pdf file2.pdf -o merged.pdf --add-numbers --continuous
页码、合并、压缩等详细参数见 references/pdf-workflows.md。
pip install pymupdf pypdf pillow numpy opencv-python pdf2image
macOS:
brew install poppler
Linux:
sudo apt-get install poppler-utils
pip install ocrmypdf
macOS:
brew install tesseract tesseract-lang
Linux:
sudo apt-get install tesseract-ocr tesseract-ocr-chi-sim
完整可选依赖清单见 references/optional-dependencies.txt。历史保留的本地 Paddle 双层实现已拆到 scripts/pdf_ocr_paddle_local.py，不属于默认生产链路；需要实验时再安装 paddleocr paddlepaddle 并单独接入。
python3 scripts/pdf-ocr-quality-check.py \
-i input.pdf -o output.pdf --keywords 合同,法院
python3 scripts/pdf-ocr-benchmark.py \
-i input.pdf \
--backend local_ocrmypdf \
--sample-pages 5 \
--skip-coarse-rotation \
--preprocess-jobs 6 \
--preprocess-chunk-pages 80
关键词门禁会先做 NFKC、大小写和空白归一化，避免中文 OCR 在汉字间插入空格后被误判为未命中；CER 仍按独立参考文本计算。
常见问题见 references/troubleshooting.md。
将本地开发的 Skills 批量同步到 ClawHub 与腾讯 SkillHub 两个平台。支持智能 .gitignore 过滤、白名单控制、增量同步、单个 skill 同步、双平台分流发布。本技能应在用户需要将本地 skills 发布到 ClawHub/SkillHub、批量同步技能、检查发布状态时使用。
跨平台 Agent 任务协调枢纽。本技能应在多个不同平台的 Agent 需要围绕项目任务源分配任务、标记归属、能力路由和交接上下文时使用。不要用于单一平台内的本地并行执行，或 Git 分支、提交、PR、merge 安全规则。
输入各类视频网站/播客平台链接后，自动下载对应媒体文件并交付给用户。优先使用 yt-dlp 覆盖抖音(Douyin)、B站(Bilibili)、YouTube 等常见视频网站，也可用于可直接暴露音频地址的播客平台（如小宇宙单集链接）。当遇到 403/登录/年龄或地区限制时，支持使用 cookies.txt 重试；对于可能存在 DRM/加密或条款限制的平台（例如部分 Spotify 内容），应提示用户仅下载其有权保存的内容，并在不可下载时建议改用官方离线/导出渠道或提供原始 RSS/直链。抖音视频在 yt-dlp 撞签名墙（"Fresh cookies needed"）时会自动 fallback 到无登录直连 aweme.snssdk.com/v1/play（仅需 video_id，不需要 cookie/a_bogus 签名）；抖音图文笔记暂不支持自动下载，需手动处理。
元典法条与案例检索。本技能应在需要查询中国法律法规条文、检索相关案例、为法律分析提供数据支撑时使用。
面向中国发明和实用新型专利的结构化初步分析工具。本技能应在用户需要拆解或解释权利要求、比较专利保护范围、进行产品侵权比对、等同分析、稳定性与无效风险分析、FTO、规避设计、专利价值评估或制作专利分析图表时使用。不要用于：代替专利律师或专利代理师出具正式意见、仅下载/OCR专利、撰写专利申请文件，或在未确认法域与有效权利要求时给出确定性结论；外观设计近似判断需另行采用专门方法并人工复核。
面向 OPC（One Person Company，一人公司 / 单人创业者 + AI 协同）和小微企业经营场景的法律业务分诊与判断技能。用户咨询主体选择、公私分离、联合创始人、融资与激励、合同履约、财税风险、AI 产品、数据与知识产权、用工、监管或争议时使用。负责识别主矛盾、联动风险、行动优先级和升级边界；凡涉及现行法条、效力状态、期限、税率、备案名录、地方政策、办理口径或平台规则，生成结构化检索任务并交由可用法律数据库、MCP 或官方来源核验，不以内置知识冒充最新规则。不要用于替代正式法律意见、深度合同批注、诉讼文书、商标申请、专利分析或纯法规检索。