pymupdf

name	pymupdf
description	使用 PyMuPDF4LLM 处理 PDF 文献。当用户提到提取 PDF 文本、转换 PDF 为 Markdown、从 PDF 提取表格、将 PDF 转换为 JSON、处理扫描版 PDF、或需要将 PDF 文档准备用于 RAG/LLM 应用时，必须使用此 skill。
compatibility	{"tools":["bash","write","read","glob"],"dependencies":["pymupdf4llm","pymupdf-layout"]}

PyMuPDF4LLM

将 PDF 转换为 LLM 易读的 Markdown/JSON/Text 格式。

安装

pip install pymupdf4llm pymupdf-layout

CLI 命令

脚本: ./scripts/pdf2md.py

# PDF -> Markdown (最常用)
python ./scripts/pdf2md.py input.pdf -o output.md

# PDF -> JSON (含布局信息)
python ./scripts/pdf2md.py input.pdf -f json -o output.json

# PDF -> TXT
python ./scripts/pdf2md.py input.pdf -f txt -o output.txt

# 指定页面
python ./scripts/pdf2md.py input.pdf -p 1,3-5 -o output.md

# 去除页眉页脚
python ./scripts/pdf2md.py input.pdf --no-head --no-foot -o output.md

# 批量处理
python ./scripts/pdf2md.py "*.pdf" -o ./output/

# 查看帮助
python ./scripts/pdf2md.py -h

Python API

官方文档最简用法：

import pymupdf4llm

# Markdown (推荐)
md = pymupdf4llm.to_markdown("input.pdf")
Path("output.md").write_bytes(md.encode())

# JSON (含边界框和布局)
json = pymupdf4llm.to_json("input.pdf")

# 纯文本
txt = pymupdf4llm.to_text("input.pdf")

# 去除页眉页脚
md = pymupdf4llm.to_markdown("input.pdf", header=False, footer=False)

# 指定页面 (0-based)
md = pymupdf4llm.to_markdown("input.pdf", pages=[0, 1, 2])

选项说明

CLI 参数	Python 参数	说明
-f md/json/txt	to_markdown/to_json/to_text	输出格式
-p 1,3-5	pages=[0,1,2,3,4]	页面 (CLI 1-based, API 0-based)
--no-head	header=False	去除页眉
--no-foot	footer=False	去除页脚

常用任务

# 批量转换
import pymupdf4llm
from pathlib import Path

for pdf in Path(".").glob("*.pdf"):
    md = pymupdf4llm.to_markdown(str(pdf))
    pdf.with_suffix(".md").write_bytes(md.encode())

# LlamaIndex 集成
import pymupdf4llm
reader = pymupdf4llm.LlamaMarkdownReader()
docs = reader.load_data("input.pdf")

# LangChain 集成
from langchain_community.document_loaders import PyMuPDFLoader
loader = PyMuPDFLoader("input.pdf")
docs = loader.load()