pdf-document-parser

name	pdf-document-parser
version	1.0.0
description	PDF文档解析自动化机制 - 基于MinerU API的文档解析Skill 核心价值：自动提交PDF解析任务、轮询结果、下载结构化输出 适用：论文解析、文档归档、批量处理
author	OpenClaw
tags	["pdf","parser","mineru","automation"]
requires	[{"model":"kimi-coding/k2p5"},{"local_tools":["curl","jq","unzip"]},{"env":["MINERU_TOKEN"]},{"cron":true}]

PDF文档解析自动化 Skill V1.0.0

标准1: 全局考虑（Global Coverage）

1.1 文档类型全覆盖

类型	格式	支持状态
PDF	.pdf	✅ 完全支持
Word	.docx	✅ 完全支持
PPT	.pptx	✅ 完全支持
图片	.jpg, .png	✅ OCR支持

1.2 解析功能全覆盖

功能	说明	默认启用
公式识别	LaTeX格式输出	✅
表格识别	结构化表格	✅
OCR	多语言文字识别	✅
版面分析	多栏/图文混排	✅

---

标准2: 系统考虑（Systematic）

2.1 解析流程闭环

文档提交 → 任务创建 → 状态轮询 → 结果下载 → 解压归档 → 质量检查

2.2 错误处理机制

错误类型	处理方式	重试策略
网络超时	指数退避重试	3次
解析失败	记录失败原因	手动重试
文件损坏	跳过并告警	无

---

标准3: 迭代机制（Iterative）

3.1 PDCA闭环

阶段	动作	频率
Plan	生成批量解析计划	按需
Do	执行解析任务	自动
Check	检查解析质量	每任务
Act	优化解析参数	每周

3.2 参数调优迭代

V1.0.0: 基础解析
  ↓
V1.1.0: 智能参数选择（根据文档类型）
  ↓
V1.2.0: 批量队列管理

---

标准4: Skill化（Skill-ified）

4.1 标准Skill结构

skills/pdf-document-parser/
├── SKILL.md                 # 本文件
├── _meta.json              # 元数据
├── config/
│   └── mineru.yaml         # API配置
├── scripts/
│   ├── parse_single.sh     # 单文档解析
│   ├── parse_batch.sh      # 批量解析
│   └── poll_result.sh      # 结果轮询
└── cron.d/
    └── pdf-parser.cron     # 定时任务配置

4.2 可调用接口

# 单文档解析
./scripts/parse_single.sh <pdf_url> [output_dir]

# 批量解析
./scripts/parse_batch.sh <urls_file> [output_dir]

# 查询任务状态
./scripts/poll_result.sh <task_id>

---

标准5: 流程自动化（Fully Automated）

5.1 全自动解析流程

阶段	自动动作	输出
提交	调用MinerU API创建任务	task_id
轮询	每30秒检查状态	状态更新
完成	自动下载结果ZIP	结构化数据
解压	自动解压到指定目录	Markdown+图片
检查	验证输出完整性	质量报告

5.2 定时任务

# 批量解析队列处理（每5分钟）
*/5 * * * * /bin/bash /root/.openclaw/workspace/skills/pdf-document-parser/scripts/process_queue.sh

# 失败任务重试（每小时）
0 * * * * /bin/bash /root/.openclaw/workspace/skills/pdf-document-parser/scripts/retry_failed.sh

---

使用方法

快速开始

# 1. 设置API密钥
export MINERU_TOKEN="your_api_key"

# 2. 单文档解析
./scripts/parse_single.sh "https://arxiv.org/pdf/2410.17247" ./output/

# 3. 批量解析（urls.txt每行一个URL）
./scripts/parse_batch.sh urls.txt ./batch_output/

输出结构

output/
├── full.md              # 完整Markdown
├── content_list.json    # 结构化内容
├── images/              # 提取的图片
└── layout.json          # 版面分析

---

5个标准验证清单

标准	验证项	状态
1. 全局	4种文档类型 + 4项解析功能	✅
2. 系统	完整解析流程 + 错误处理	✅
3. 迭代	PDCA闭环 + 版本升级	✅
4. Skill化	标准结构 + 可调用接口	✅
5. 自动化	全自动流程 + cron任务	✅

---

版本: v1.0.0
创建: 2026-03-20
标准: 5个标准全部满足