pdf-reader

用途

PDF Reader 是一个用于读取 PDF 文件并抽取文本内容的技能，可将抽取结果转换为 Markdown 格式。它适用于需要读取 PDF 文档的场景，并支持处理表格和多页文档。

主要能力

文本提取（全页）
表格的 Markdown 化
保留页码
结构化输出

支持的功能标注为：

✅ 文本提取（全页） ✅ 表格的 Markdown 化 ✅ 保留页码 ✅ 结构化输出

注意：图像中的文本提取（不支持 OCR）。复杂版式会被简化。

使用方式

快速开始

基本用法（在 WSL 环境执行 Python 脚本）：

wsl python3 scripts/read_pdf.py "/mnt/c/path/to/file.pdf"

保存为 Markdown 格式：

使用脚本抽取文本
使用 Write 工具保存为 .md 文件

前置条件

需要 pdfplumber 包：

wsl pip3 install pdfplumber

使用示例

示例1：读取 PDF 文件并显示内容

用户：“读取 C:\Users\keita\repos\guideline.pdf” 助手：

将 Windows 路径转换为 WSL 路径：/mnt/c/Users/keita/repos/guideline.pdf
执行 wsl python3 scripts/read_pdf.py
以 Markdown 格式显示抽取出的文本

示例2：将 PDF 转换为 Markdown 并保存

用户：“将ガイドライン.pdf 转换为 Markdown 并保存” 助手：

使用 scripts/read_pdf.py 抽取文本
以 Markdown 格式结构化（按页添加标题，包含表格）
使用 Write 工具保存为ガイドライン.md
报告保存完成

工作流

单文件读取：

用户指定 PDF 文件路径
将 Windows 路径转换为 WSL 路径格式（C:\ → /mnt/c/）
执行 wsl python3 scripts/read_pdf.py
以 Markdown 格式显示或保存抽取的文本

多文件批量处理：

使用 Glob 搜索 .pdf 文件
对每个文件执行脚本
汇总报告结果

输出格式

Markdown 结构示例：

# [PDF文件名]

**Total Pages:** 10

---

## Page 1

[第1页文本内容]

### Tables

**Table 1:**

| 列1 | 列2 | 列3 |
| --- | --- | --- |
| 数据1 | 数据2 | 数据3 |

---

## Page 2

[第2页文本内容]

---

脚本详情

Python 脚本位于 scripts/read_pdf.py。

主要功能：

逐页文本抽取
表格的 Markdown 化
多页结构化
错误处理

用法：

python scripts/read_pdf.py <file_path>

适用场景

需要读取 PDF 文档时
需要将 PDF 内容转换为 Markdown 以便后续处理或保存
需要提取 PDF 中的表格内容
需要处理包含多页的 PDF 文档

限制

无法从扫描版 PDF（仅图像）中提取文本
不包含 OCR 功能
复杂版式会被简化
字体信息、颜色等样式会丢失
嵌入对象不会被提取

故障排查

未安装 pdfplumber：

wsl pip3 install pdfplumber

无法抽取文本：

PDF 可能是扫描图像（需要 OCR）
PDF 可能已加密
PDF 可能没有文本层

出现乱码：

# 确认日文支持
wsl locale
# 确认包含 UTF-8

内存不足错误：

对于较大的 PDF 文件，可考虑分页处理。

路径转换

从 Windows 路径转换到 WSL 路径：

C:\Users\... → /mnt/c/Users/...
D:\Projects\... → /mnt/d/Projects/...

将反斜杠 \ 转换为斜杠 /。

高级用法

仅抽取指定页面：

可修改脚本，使用 pdf.pages[0:5] 这样的切片。

仅抽取表格：

仅使用脚本内的 extract_tables() 部分。

需要 OCR 时：

结合使用 pytesseract 与 pdf2image（建议作为单独技能创建）。

版本历史

v1.0.0 (2026-01-06): 初始发布

基本文本抽取功能
支持表格 Markdown 化
在 WSL 环境运行
按页结构化

技能介绍

用途