pdf-parsing

# PDF解析 Skill ## 数据来源 本 Skill 支持多种PDF文档输入格式，核心数据来源包括： ### 1. PDF文档类型 - **文本型PDF**：可提取文本的标准PDF文档 - **扫描型PDF**：扫描图片生成的PDF文档 - **混合型PDF**：包含文本和图片的PDF文档 - **加密PDF**：需要密码的加密PDF文档 ### 2. 文档内容类型 - **金融报告**：年报、季报、研究报告、公告 - **合同协议**：贷款合同、担保合同、投资协议 - **法律文档**：法律意见书、合规文件 - **业务文档**：业务说明、产品介绍 ### 3. 文档特征 - **语言类型**：中文、英文、多语言混合 - **版式类型**：标准版式、复杂版式、双栏版式 - **文档大小**：小文档（<10MB）、大文档（>10MB） ### 4. 数据格式要求 - **文件路径**：本地文件路径或网络文件URL - **文件编码**：UTF-8、GBK、GB2312等 - **文件权限**：需要读取权限 > 说明：本 Skill 不包含文档采集功能，需要用户提供PDF文档文件。建议文档格式规范，以便进行准确的解析。 --- ## 功能 本 Skill 提供全面的PDF文档解析能力，涵盖多种解析功能： ### 1. 文本提取 - **正文提取**：提取PDF正文内容 - **标题提取**：提取各级标题 - **段落提取**：提取段落内容 - **列表提取**：提取有序列表和无序列表 ### 2. 结构识别 - **章节层级**：识别PDF的章节层级结构 - **目录识别**：识别和提取PDF目录 - **书签识别**：提取PDF书签结构 - **页面结构**：识别页面的布局结构 ### 3. 表格识别 - **表格提取**：识别和提取表格内容 - **表格结构**：识别表格的行列结构 - **表格格式**：保留表格的格式信息 - **表格定位**：记录表格在文档中的位置 ### 4. 图表识别 - **图片提取**：提取PDF中的图片 - **图表识别**：识别图表类型和内容 - **图表定位**：记录图表在文档中的位置 - **图表描述**：生成图表的文字描述 ### 5. OCR识别 - **OCR文本识别**：对扫描PDF进行OCR识别 - **OCR表格识别**：对扫描表格进行OCR识别 - **OCR图片识别**：对图片中的文字进行识别 - **多语言OCR**：支持多语言OCR识别 ### 6. 格式信息提取 - **字体信息**：提取字体、字号、颜色等信息 - **段落格式**：提取段落对齐、缩进等信息 - **元数据提取**：提取PDF属性、作者、创建时间等 - **页面信息**：提取页面大小、页边距等信息 ### 7. 高级处理功能 - **版式还原**：尽可能还原PDF的原始版式 - **双栏识别**：识别和处理双栏版式 - **水印处理**：识别和处理水印内容 - **结构化输出**：输出结构化的文档内容 --- ## 使用示例 ### 输出示例 ```json { "document_info": { "filename": "document.pdf", "file_size": 2048000, "page_count": 50, "language": "zh-CN", "created_date": "2024-01-15", "modified_date": "2024-03-20", "encrypted": false }, "structure": { "title": "2024年度报告", "bookmarks": [ { "level": 1, "title": "第一章 公司概况", "page": 1, "children": [ { "level": 2, "title": "1.1 公司基本信息", "page": 1 } ] } ], "sections": [ { "level": 1, "title": "第一章 公司概况", "content": "公司概况内容...", "page": 1, "subsections": [ { "level": 2, "title": "1.1 公司基本信息", "content": "基本信息内容...", "page": 1 } ] } ] }, "tables": [ { "table_id": 1, "position": { "page": 5, "bbox": [100, 200, 500, 400] }, "rows": 10, "columns": 5, "data": [ ["项目", "2024年", "2023年", "2022年", "2021年"], ["营业收入", "1000", "900", "800", "700"] ] } ], "images": [ { "image_id": 1, "position": { "page": 8, "bbox": [150, 300, 450, 500] }, "format": "png", "size": [800, 600] } ], "metadata": { "author": "张三", "company": "示例公司", "keywords": ["年报", "财务报告"] } } ``` --- ## 注意事项与限制 ### 1. 文档格式要求 - 支持标准PDF格式文档 - 复杂版式可能影响解析准确性 - 扫描PDF需要OCR功能支持 ### 2. 解析准确性 - 文本型PDF文本提取准确率较高 - 表格识别对复杂表格可能有限 - OCR识别准确率受图片质量影响 ### 3. 性能考虑 - 大PDF处理可能需要较长时间 - 内存占用与PDF大小成正比 - 建议对超大PDF进行分页处理 ### 4. OCR限制 - OCR识别需要图片质量良好 - 手写文字识别准确率较低 - 多语言OCR需要相应语言包 ### 5. 使用限制 - 本 Skill 不包含PDF编辑功能 - 解析结果需要人工复核 - 受保护PDF可能无法解析 --- ## 参考资料 - 见 references/ 目录中的相关文档，包括： - PDF解析方法手册 - OCR识别算法说明 - 表格识别使用指南 - 性能优化指南 ## License - 本 skill 代码部分采用 MIT License，详见 `LICENSE` 文件 - 依赖与运行环境以 `requirements.txt` 为准 - 文档内容采用 CC BY 4.0 许可