read-pdf

name	read-pdf
description	Read PDF files and extract text content, tables, and metadata using Python pdfplumber.

PDF 读取 Skill

读取 PDF 文件内容，提取文本、表格等信息。 使用方式：在聊天中输入 #read-pdf 并提供 PDF 文件路径。

---

使用示例

#read-pdf
帮我读取 doc/design/524Mindmap.pdf 的内容

#read-pdf
提取 D:/docs/report.pdf 第3-5页的内容

#read-pdf
读取 D:/docs/data.pdf 中的表格数据

---

依赖环境

• Python 3.x
• pdfplumber（已安装）

如未安装：

pip install pdfplumber

---

执行流程

第一步：确认参数

• 文件路径（必须）
• 页码范围（可选）：如 "第3页"、"第3-5页"、"全部"（默认全部）
• 提取模式（可选）：
  • text - 提取纯文本（默认）
  • table - 提取表格
  • all - 文本+表格

第二步：读取 PDF

使用 Python 脚本读取，根据用户需求选择合适的脚本：

提取全部文本

python -c "
import pdfplumber
pdf = pdfplumber.open(r'<PDF路径>')
for i, page in enumerate(pdf.pages):
    text = page.extract_text()
    if text:
        print(f'--- 第 {i+1} 页 ---')
        print(text)
pdf.close()
"

提取指定页码

python -c "
import pdfplumber
pdf = pdfplumber.open(r'<PDF路径>')
pages = pdf.pages[<起始页-1>:<结束页>]  # 0-indexed
for i, page in enumerate(pages, start=<起始页>):
    text = page.extract_text()
    if text:
        print(f'--- 第 {i} 页 ---')
        print(text)
pdf.close()
"

提取表格

python -c "
import pdfplumber, json
pdf = pdfplumber.open(r'<PDF路径>')
for i, page in enumerate(pdf.pages):
    tables = page.extract_tables()
    for j, table in enumerate(tables):
        print(f'--- 第 {i+1} 页 表格 {j+1} ---')
        for row in table:
            print(' | '.join([str(cell) if cell else '' for cell in row]))
        print()
pdf.close()
"

获取 PDF 基本信息

python -c "
import pdfplumber
pdf = pdfplumber.open(r'<PDF路径>')
print(f'页数: {len(pdf.pages)}')
if pdf.metadata:
    for k, v in pdf.metadata.items():
        print(f'{k}: {v}')
pdf.close()
"

第三步：格式化输出

📄 PDF 内容：filename.pdf
═══════════════════════════════════════════
页数：X 页
═══════════════════════════════════════════

--- 第 1 页 ---
（文本内容）

--- 第 2 页 ---
（文本内容）

---

注意事项

• 扫描版 PDF（图片型）无法直接提取文本，需要 OCR 工具
• 复杂排版的 PDF 提取的文本顺序可能不完全准确
• 表格提取对简单表格效果好，复杂合并单元格可能不准确
• 大型 PDF 建议指定页码范围，避免输出过多