document-processor

name	document-processor
description	Unified document processing suite - Convert documents to/from Markdown, PDF parsing with OCR, batch document conversion. Replaces markdown-converter, markdown-exporter, and mineru with integrated document workflow. Use for: PDF to Markdown, Word to Markdown, Markdown to PDF/DOCX/PPTX, document OCR, batch document conversion, academic paper parsing.

Document Processor

统一文档处理套件 - 一站式文档转换、PDF解析、OCR识别和格式转换解决方案。

🎯 替代: markdown-converter + markdown-exporter + mineru

---

核心能力

功能模块	覆盖场景
文档导入	PDF/Word/PPT/Excel → Markdown
文档导出	Markdown → PDF/DOCX/PPTX/Excel/HTML
PDF解析	学术论文、扫描件、复杂版面OCR
批量处理	目录级文档批量转换
智能提取	表格、公式、图片结构化提取

---

快速开始

1. 文档转Markdown (Import)

# PDF转Markdown
docp import paper.pdf -o paper.md

# Word转Markdown
docp import report.docx -o report.md

# PPT转Markdown
docp import slides.pptx -o slides.md

# Excel转Markdown
docp import data.xlsx -o data.md

# 批量转换
docp import ./papers/*.pdf --output-dir ./markdown/

2. Markdown转文档 (Export)

# Markdown转PDF
docp export report.md -o report.pdf

# Markdown转Word
docp export report.md -o report.docx

# Markdown转PPT
docp export slides.md -o slides.pptx

# Markdown转Excel (表格)
docp export tables.md -o data.xlsx

# Markdown转HTML
docp export page.md -o page.html

3. PDF高级解析 (Academic OCR)

# 学术论文解析 (本地OCR)
docp parse paper.pdf -o paper.md --formula --table

# 扫描件OCR
docp parse scanned.pdf -o output.md --ocr --lang ch+en

# 提取图片
docp parse document.pdf --extract-images --output-dir ./images/

# 批量论文解析
docp parse ./papers/*.pdf --output-dir ./parsed/ --batch

---

命令详解

docp import - 导入到Markdown

# 基础用法
docp import <input> [options]

Options:
  -o, --output <file>       输出文件路径
  --output-dir <dir>        批量输出目录
  --format <format>         输出格式: md, txt, json
  --extract-images          提取图片到指定目录
  --image-dir <dir>         图片输出目录
  --preserve-layout         保留原始版面结构

支持格式:

输入格式	扩展名	特点
PDF	.pdf	支持扫描件OCR
Word	.docx, .doc	保留标题层级
PowerPoint	.pptx, .ppt	每页一个章节
Excel	.xlsx, .xls	表格转Markdown表格
HTML	.html, .htm	清理标签
图片	.jpg, .png	OCR识别
EPub	.epub	电子书解析
压缩包	.zip	批量解压处理

示例:

# 学术论文转Markdown，提取公式
docp import paper.pdf -o paper.md --formula

# 批量转换Word文档
docp import ./docs/*.docx --output-dir ./markdown/

# 从URL获取并转换
docp import https://example.com/doc.pdf -o doc.md

docp export - 从Markdown导出

# 基础用法
docp export <input.md> [options]

Options:
  -o, --output <file>       输出文件
  --format <format>         目标格式: pdf, docx, pptx, xlsx, html, png
  --template <file>         使用模板文件
  --theme <theme>           主题: default, academic, business
  --toc                     生成目录
  --numbered                章节编号

导出格式矩阵:

目标格式	用途	特殊选项
PDF	打印、分享	--page-size a4, --margin 2cm
DOCX	编辑、协作	--template template.docx
PPTX	演示	--slide-level 2
XLSX	表格数据	--sheet-per-table
HTML	网页发布	--css style.css, --standalone
PNG	图片预览	--dpi 300, --full-page

示例:

# Markdown转PDF (学术样式)
docp export thesis.md -o thesis.pdf --theme academic --toc --numbered

# Markdown转Word (使用模板)
docp export report.md -o report.docx --template company_template.docx

# Markdown转PPT
docp export presentation.md -o slides.pptx --slide-level 2

# Markdown表格转Excel
docp export tables.md -o data.xlsx --sheet-per-table

# 批量导出
docp export ./markdown/*.md --output-dir ./pdf/ --format pdf

docp parse - PDF高级解析

# 基础用法
docp parse <input.pdf> [options]

Options:
  -o, --output <file>       输出Markdown文件
  --formula                 启用公式识别 (LaTeX输出)
  --table                   启用表格结构识别
  --ocr                     强制OCR模式 (扫描件)
  --lang <lang>             OCR语言: ch, en, ch+en, jp
  --layout-model <model>    版面分析模型: fast, accurate
  --extract-images          提取内嵌图片
  --image-dir <dir>         图片保存目录
  --batch                   批量处理模式
  --output-dir <dir>        批量输出目录
  --timeout <seconds>       单文件超时时间

版面分析模型:

模型	速度	准确度	适用场景
fast	⚡ 快	高	常规文档
accurate	🐢 慢	最高	复杂版面、学术论文

示例:

# 学术论文完整解析
docp parse paper.pdf -o paper.md --formula --table --extract-images --image-dir ./paper_images/

# 中文扫描件OCR
docp parse scan.pdf -o text.md --ocr --lang ch

# 批量论文处理
docp parse ./arxiv/*.pdf --output-dir ./parsed/ --batch --formula --table

# 仅提取表格
docp parse report.pdf --extract-tables -o tables.json

docp batch - 批量处理工作流

# 定义处理流水线
docp batch --config workflow.yaml

workflow.yaml 示例:

workflow:
  name: 论文处理流水线
  
input:
  pattern: "./papers/**/*.pdf"
  
steps:
  - name: parse
    action: parse
    options:
      formula: true
      table: true
      extract_images: true
      
  - name: translate
    action: translate
    target_lang: zh
    
  - name: export
    action: export
    format: docx
    template: "./templates/academic.docx"
    
output:
  dir: "./output/"
  naming: "{original}_processed"

---

Python API

from document_processor import DocumentProcessor

docp = DocumentProcessor()

# 导入文档
md_content = docp.import_document("paper.pdf", formula=True, table=True)
print(md_content.text)

# 导出文档
docp.export_document("report.md", "report.pdf", theme="academic", toc=True)

# PDF高级解析
result = docp.parse_pdf("scanned.pdf", ocr=True, lang="ch+en")
print(result.markdown)
print(result.tables)  # 提取的表格
print(result.images)  # 提取的图片路径

# 批量处理
results = docp.batch_process(
    pattern="./papers/*.pdf",
    action="parse",
    output_dir="./parsed/",
    options={"formula": True, "table": True}
)

---

特殊功能

学术论文处理

# arXiv论文一键解析
docp arxiv 2410.17247 -o paper.md --formula --table

# 从URL解析
docp import https://arxiv.org/pdf/2410.17247.pdf -o paper.md

# 生成阅读笔记模板
docp paper paper.pdf --template note --output note.md

代码块提取

# 从Markdown提取代码块到单独文件
docp extract-code input.md --output-dir ./code/

# 按语言分类
docp extract-code input.md --group-by-language --output-dir ./code/

文档对比

# 对比两个文档差异
docp diff doc1.pdf doc2.pdf -o diff.md

# 生成对比报告
docp diff version1.md version2.md --report detailed -o report.html

---

与原有Skill的兼容

原Skill	原命令	新命令	状态
markdown-converter	uvx markitdown input.pdf	docp import input.pdf	✅ 替代
markdown-exporter	md_to_pdf input.md output.pdf	docp export input.md -o output.pdf	✅ 替代
markdown-exporter	md_to_docx input.md output.docx	docp export input.md -o output.docx	✅ 替代
markdown-exporter	md_to_xlsx input.md output.xlsx	docp export input.md -o output.xlsx	✅ 替代
mineru	MinerU API调用	docp parse input.pdf	✅ 替代

---

依赖安装

# 基础依赖
pip install markitdown markdown-exporter

# PDF解析依赖
pip install pdfplumber pymupdf

# OCR依赖 (可选)
pip install paddleocr paddlepaddle

# 完整依赖
pip install -r requirements.txt

---

性能对比

方案	外部API	本地处理	月度成本
markdown-converter	markitdown	✅	免费
markdown-exporter	部分需API	混合	部分收费
mineru	MinerU API	❌	API费用
document-processor	无	✅ 完全本地	完全免费

---

状态: ✅ 生产就绪 自建替代计数: +3 (markdown-converter, markdown-exporter, mineru)