pdf-vision-reader

用途

PDF Vision Reader 用于把视觉元素丰富的 PDF 转成可读的 Markdown。它先将 PDF 每一页渲染为图像，再借助 Claude 的 vision 功能逐页解析，从而提取标题、正文、图表、示意图、表格、截图等内容。适合演示资料、图表密集的报告、技术图纸、含图表的论文等场景。

主要能力

将 PDF 每页转换为 PNG 图像，可指定分辨率（默认 200 DPI）。
自动创建输出目录，按页命名（page_001.png、page_002.png……）。
通过 Read 工具逐张读取图像并解析，可提取：标题与见顶、正文、列表、注释；图表类型与说明；图表轴标签、数据点与趋势；表格结构与内容（可转为 Markdown 表格）；页面版式与强调信息。
支持文本（日文、英文）、图表、示意图、表格、截图、信息图、复杂版式。
手写笔记与低分辨率图像的识别精度视情况而定。
可只解析指定页码范围。

使用方式

前提条件：

# Python 包
wsl pip3 install pdf2image Pillow

# 系统包 (poppler)
wsl sudo apt-get update
wsl sudo apt-get install -y poppler-utils

基本流程：

# 1. PDF 转图像
wsl python3 scripts/pdf_to_images.py "/mnt/c/path/to/file.pdf"

# 2. 用 Read 工具逐张读取图像并解析
# 3. 汇总为 Markdown

脚本用法：

python scripts/pdf_to_images.py <pdf_path> [output_dir] [dpi]

# 示例
python scripts/pdf_to_images.py document.pdf ./images 300

输出：

[pdf_name]_pages/page_001.png
[pdf_name]_pages/page_002.png
...

解析时可给出指令示例：

请详细说明这张图像的内容：
- 标题与见顶
- 正文文本
- 图表说明
- 图表与图形的数据
- 要点

Markdown 输出格式示例：

# [PDF标题]

**解析时间:** YYYY-MM-DD
**总页数:** N

---

## Page 1: [页面标题]

### 概要
[页面概要说明]

### 主要内容
- [要点1]
- [要点2]

### 图表
**图1: [图表标题]**
[图表说明]

### 文本内容
[页面内文本]

---

## Page 2: [页面标题]
...

适用场景

演示资料 Markdown 化。
只解析指定页面（如第 5–10 页）。
图表、图形密集的资料。
技术图纸、设计文档。
含图表的论文。

与文本抽取的差异

pdf-reader（文本抽取）：适合纯文本 PDF，速度快，纯文本抽取，无法抽取图表，版式会被简化。 pdf-vision-reader（图像解析）：能理解图表与图形，保留复杂版式，可说明视觉元素，但处理时间更长，并产生图像解析的 API 成本。

推荐用法：文本为主的文档用 pdf-reader；演示资料、图表密集资料、技术图纸、含图表的论文用 pdf-vision-reader；简单文本 PDF 用 pdf-reader。

性能参考

页数	图像转换	解析（Claude vision）	合计
10 页	5 秒	30–60 秒	约 1 分钟
30 页	15 秒	90–180 秒	约 3 分钟
100 页	50 秒	300–600 秒	约 10 分钟

优化建议：只处理必要页面；图表多时用 300 DPI，文本为主时用 150–200 DPI；多个 PDF 顺序处理而非并行；Windows 路径转 WSL 路径（C:\Users... → /mnt/c/Users/...，D:\Projects... → /mnt/d/Projects/...）。

限制

手写笔记识别精度视情况而定。
低分辨率图像可能降低精度。
处理时间较长，并产生图像解析的 API 成本。
图像转换失败时需检查 PDF 是否损坏、磁盘空间与内存（大 PDF 可拆分处理）。
解析精度低时可提高 DPI（推荐 300）并检查原 PDF 画质。

版本历史

v1.0.0（2026-01-06）：初始发布，包含 PDF→图像转换、基于 vision 的解析工作流、图表理解、Markdown 输出格式。

技能介绍

用途