document-skills

name	document-skills
description	文档处理技能集（增强版）。支持多格式输入转换、PDF操作、Office文档创建/编辑。 输入：PDF, DOCX, XLSX, PPTX, HTML, EPUB, CSV, JSON, 图片(OCR), 音频(转录)。 输出：Markdown, DOCX, PPTX, XLSX, PDF。 基于 K-Dense markitdown/pdf/docx/pptx/xlsx/liteparse skills 增强。
tags	["文档处理","格式转换","PDF","DOCX","PPTX","XLSX","OCR","markitdown","pandoc"]

Document Skills — 文档处理技能集（增强版）

格式覆盖

输入格式（→ Markdown）

格式	工具	备注
PDF	MarkItDown / PyMuPDF	电子版直接提取，扫描版需 OCR
DOCX	MarkItDown / pandoc	表格/格式保持好
PPTX	MarkItDown	幻灯片文字+备注
XLSX	MarkItDown / openpyxl	表格数据提取
HTML	MarkItDown	清理标签
EPUB	MarkItDown	全文提取
CSV/TSV	MarkItDown / pandas	表格格式
JSON	MarkItDown	结构化展示
Images	MarkItDown + OCR	EXIF + OCR（需 tesseract）
Audio	MarkItDown	元数据 + 转录（需 whisper）

输出格式（创建/编辑）

格式	工具	备注
Markdown	所有输入格式	中间格式
DOCX	python-docx / pandoc	保留标题/表格/图片
PDF	pandoc / PyMuPDF / LaTeX	学术排版用 LaTeX
PPTX	python-pptx	幻灯片创建
XLSX	openpyxl	表格/公式/格式

---

子技能矩阵

技能	用途	关键库
格式转换	万能格式 → Markdown	markitdown[all]
PDF 操作	读/写/合并/拆分/水印/旋转	pypdf, PyMuPDF
DOCX 创建	标题/表格/图片/TOC	python-docx, pandoc
PPTX 创建	幻灯片/模板/备注	python-pptx
XLSX 创建	公式/格式/数据分析	openpyxl, pandas
OCR	扫描版PDF/图片文字识别	tesseract (可选)
LaTeX→DOCX	学术论文格式保持	pandoc + python-docx（tex2docx skill）

---

安装依赖

# 核心依赖（已安装）
pip install markitdown[all] pypdf PyMuPDF python-docx openpyxl pandas

# 可选依赖
pip install pytesseract pillow  # OCR（需安装 tesseract-ocr）

---

通用原则

1. 字体: 中文用宋体/黑体，英文用 Arial/Times New Roman
2. 模板: 编辑现有文件时保留原有格式
3. 验证: 创建后必须验证文件可打开且格式正确
4. 编码: 始终指定 UTF-8
5. 备份: 修改重要文件前先备份

---

触发场景

• "将这个文件转换成 Markdown" / "把这个 PDF 转成 Word"
• "合并 PDF" / "拆分 PDF" / "给 PDF 加水印"
• "创建一个 Excel 表格" / "生成 PPT"
• "OCR 这个扫描版文件"
• "处理 Office 文档"
• "将论文转换为 Word"

---

快速参考命令

格式转换（→ Markdown）

# 万能转换（CLI）
markitdown document.pdf > output.md
markitdown spreadsheet.xlsx > output.md
markitdown presentation.pptx > output.md

# Python API
from markitdown import MarkItDown
md = MarkItDown()
result = md.convert("document.pdf")
print(result.text_content)

PDF 操作

from pypdf import PdfReader, PdfWriter

# 合并 PDF
writer = PdfWriter()
for f in ["a.pdf", "b.pdf"]:
    for page in PdfReader(f).pages:
        writer.add_page(page)
writer.write("merged.pdf")

# 拆分 PDF
reader = PdfReader("input.pdf")
for i, page in enumerate(reader.pages):
    w = PdfWriter(); w.add_page(page)
    w.write(f"page_{i+1}.pdf")

# 旋转页面
page = PdfReader("input.pdf").pages[0]
page.rotate(90)

# 提取元数据
meta = PdfReader("doc.pdf").metadata

DOCX 创建

from docx import Document
doc = Document()
doc.add_heading("标题", level=1)
doc.add_paragraph("正文内容")
doc.add_table(rows=3, cols=2, data=[["A","B"],["C","D"]])
doc.save("output.docx")

PPTX 创建

from pptx import Presentation
prs = Presentation()
slide = prs.slides.add_slide(prs.slide_layouts[1])  # 标题+内容
slide.shapes.title.text = "标题"
slide.placeholders[1].text = "内容"
prs.save("output.pptx")

XLSX 创建

import openpyxl
wb = openpyxl.Workbook()
ws = wb.active
ws.title = "数据"
ws.append(["列1", "列2", "列3"])
ws.append([1, 2, 3])
wb.save("output.xlsx")

---

与其他 Skill 的关系

tex2docx           → LaTeX → DOCX 专用（三步法，格式保持更好）
document-skills    → 通用文档处理（本 skill）
academic-research  → 调用本 skill 的格式转换能力
literature-sync    → 调用 PDF 提取能力

---

注意事项

• OCR 质量: tesseract 对中文数学公式效果有限，物理文献建议用 PyMuPDF 直接提取电子版
• PPTX → MD: 只提取文字，视觉布局丢失
• 大文件: MarkItDown 支持 convert_stream() 流式处理
• 中文字体: DOCX/PPTX 创建时需显式设置中文字体（宋体/黑体）

---

增强自 K-Dense markitdown/pdf/docx/pptx/xlsx/liteparse skills 保留原有 pandoc + python-docx 工作流