pdf-text-extract

name	pdf_text_extract
description	从PDF文件中提取文本内容，保存为txt文件。当用户需要从PDF中提取文字时使用此skill。
license	Proprietary. LICENSE.txt has complete terms
name_zh	从PDF文件中提取文本内容，保存为txt文件算子
input_params	[{"name":"input_path","type":"string","required":true,"description":"输入PDF文件路径"},{"name":"output_path","type":"string","required":true,"description":"输出txt文件路径"},{"name":"pages","type":"string","required":false,"description":"页码范围，如\"1-3,5\"（可选，默认全部页面）"}]
output_params	[{"name":"output_path","type":"text_file","description":"提取的文本文件(.txt)"}]
tag	数据解析
publisher	COMMUNITY

pdf_text_extract 技能

功能说明

该技能从PDF文件中提取文本内容，保存为txt文件，适用于需要从PDF中提取可编辑文本的场景。

核心功能

• 提取PDF中的文本内容
• 支持指定页码范围提取
• 按页码分隔输出
• 自动创建输出目录

使用方法

python scripts/run_pdf_text_extract.py --input_path <输入PDF> --output_path <输出TXT> [--pages <页码范围>]

参数说明

参数	类型	必填	默认值	说明
input_path	string	是	-	输入PDF文件路径
output_path	string	是	-	输出txt文件路径
pages	string	否	全部	页码范围，如"1-3,5"

示例

示例1：提取全部页面文本

python scripts/run_pdf_text_extract.py --input_path document.pdf --output_path text.txt

示例2：提取指定页码文本

python scripts/run_pdf_text_extract.py --input_path document.pdf --output_path text.txt --pages "1-10"

输出格式

--- Page 1 ---
这是第一页的文本内容...

--- Page 2 ---
这是第二页的文本内容...

注意事项

• 扫描版PDF（图片格式）无法提取文本，需使用pdf_ocr技能
• 输出目录不存在时会自动创建
• 文本提取结果受PDF质量影响，部分PDF可能提取效果不佳