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

1. 扫描件 PDF：纯图片 PDF 需要先进行 OCR 才能提取文本
2. 加密 PDF：需要先解密才能处理
3. 复杂表格：部分复杂布局的表格可能需要手动调整
4. 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