pdf - PDF 提取

从 PDF 文件中提取内容并转换为 AI 技能。

基本用法

skill-seekers pdf [OPTIONS]

快速示例

# 基本 PDF 提取
skill-seekers pdf --pdf docs/manual.pdf --name myskill

# 带 OCR 的扫描 PDF
skill-seekers pdf --pdf docs/scanned.pdf --name myskill --ocr

# 受密码保护的 PDF
skill-seekers pdf --pdf docs/encrypted.pdf --name myskill --password mypassword

# 高级功能
skill-seekers pdf --pdf docs/manual.pdf --name myskill \
    --extract-tables \
    --parallel \
    --workers 8

选项

必需

  • --pdf FILE - PDF 文件路径
  • --name NAME - 技能名称

可选

  • --description DESC - 技能描述
  • --ocr - 为扫描 PDF 启用 OCR
  • --password PASS - 加密 PDF 的密码
  • --extract-tables - 提取复杂表格
  • --parallel - 启用并行处理（快 3 倍）
  • --workers N - 使用的 CPU 核心数（默认：4）
  • --output DIR - 输出目录

功能

基本提取

  • ✅ 文本提取 - 所有文本内容
  • ✅ 代码检测 - 识别 20+ 种语言的代码块
  • ✅ 图像提取 - 嵌入的图像
  • ✅ 元数据 - 标题、作者、创建日期

高级功能

  • ✅ OCR 支持 - 用于扫描文档
  • ✅ 密码保护 - 处理加密 PDF
  • ✅ 表格提取 - 复杂表格结构
  • ✅ 并行处理 - 大型 PDF 快 3 倍
  • ✅ 智能缓存 - 重新运行快 50%

OCR 支持

前置要求

# 安装 OCR 依赖
pip install pytesseract Pillow

# 安装 Tesseract OCR 引擎
# macOS
brew install tesseract

# Linux
sudo apt install tesseract-ocr

# Windows
# 从此处下载：https://github.com/UB-Mannheim/tesseract/wiki

用法

skill-seekers pdf --pdf scanned_manual.pdf --name myskill --ocr

并行处理

对于大型 PDF，启用并行处理：

# 使用所有 CPU 核心
skill-seekers pdf --pdf large_manual.pdf --name myskill --parallel

# 指定工作者数量
skill-seekers pdf --pdf large_manual.pdf --name myskill --parallel --workers 16

性能：

  • 无并行：500 页 PDF 需 15-20 分钟
  • 并行（8 核）：500 页 PDF 需 5-7 分钟
  • 快 3 倍！

表格提取

从 PDF 中提取复杂表格：

skill-seekers pdf --pdf data_report.pdf --name myskill --extract-tables

支持：

  • 多列表格
  • 合并单元格
  • 嵌套标题
  • 格式化数据（数字、日期、货币）

输出结构

output/
└── {name}/
    ├── SKILL.md              # 主要内容
    ├── references/
    │   ├── index.md
    │   ├── extracted_text.md
    │   ├── tables.md         # 如果使用 --extract-tables
    │   └── code_blocks.md
    └── assets/
        ├── image_001.png     # 提取的图像
        └── ...

高级示例

完整提取

skill-seekers pdf --pdf technical_manual.pdf --name technical \
    --description "PDF 技术手册" \
    --ocr \
    --extract-tables \
    --parallel \
    --workers 8 \
    --output output/technical

受密码保护的 PDF

skill-seekers pdf --pdf encrypted.pdf --name secure \
    --password "my-secure-password" \
    --extract-tables

批量处理

# 处理多个 PDF
for pdf in docs/*.pdf; do
    name=$(basename "$pdf" .pdf)
    skill-seekers pdf --pdf "$pdf" --name "$name" --parallel
done

时间估算

PDF 大小页数无并行并行（8 核）
小10-501-2 分钟30 秒 - 1 分钟
中100-2005-10 分钟2-3 分钟
大500+15-20 分钟5-7 分钟

故障排除

OCR 不工作

# 检查 Tesseract 安装
tesseract --version

# 如果未找到，安装：
# macOS: brew install tesseract
# Linux: sudo apt install tesseract-ocr

表格未提取

某些 PDF 使用图像作为表格。启用 OCR：

skill-seekers pdf --pdf doc.pdf --name myskill --ocr --extract-tables

内存问题

对于非常大的 PDF，减少工作者数量：

skill-seekers pdf --pdf huge.pdf --name myskill --parallel --workers 2

下一步