PDF Extractor 是一个用于从 PDF 文件中提取文本、表格和图片的技能，底层使用 pdfplumber，目标是把静态 PDF 转换为可用的数据。
用途 该技能适合以下场景：报告处理，从 PDF 报告中提取数据；表格提取，将 PDF 表格转换为 CSV；图片收集，从演示文稿中提取图片；文本挖掘，批量将 PDF 转换为可搜索文本；研究，处理学术论文和白皮书。
主要能力
- 提取文本：可从整个 PDF 或指定页面范围提取文本。
- 提取表格：可将 PDF 中的表格导出为 CSV，并会为每个表格生成单独的 CSV 文件（例如 table_page3_1.csv、table_page5_1.csv）。
- 提取图片：可将 PDF 中的图片导出到指定目录。
- 合并 PDF：可将多个 PDF 合并为一个文件。
- 查看 PDF 信息：可读取 PDF 的基本信息。
- 批量转换：可将文件夹中的所有 PDF 批量转换为 .txt 文件。
使用方式 先安装依赖：
pip install pdfplumber pypdf click pandas
图片提取还需要：
pip install Pillow
常用命令：
提取文本： python scripts/main.py text document.pdf python scripts/main.py text document.pdf --pages 1-5
提取表格： python scripts/main.py tables report.pdf --output tables.csv python scripts/main.py tables financial.pdf --page 3
提取图片： python scripts/main.py images presentation.pdf --output ./images/
合并 PDF： python scripts/main.py merge doc1.pdf doc2.pdf --output combined.pdf
查看 PDF 信息： python scripts/main.py info document.pdf
示例： 提取财务表格： python scripts/main.py tables annual-report.pdf --output financials.csv 输出为 financials.csv，包含找到的所有表格，同时生成单独的 CSV 文件。
批量转换为文本： python scripts/main.py batch ./pdfs/ --output ./text/ 将文件夹中的所有 PDF 转换为 .txt 文件。
提取指定页面： python scripts/main.py text whitepaper.pdf --pages 1,5-10,15 仅提取第 1、5-10 和 15 页。
适用场景 适用于需要把 PDF 报告、财务表格、演示文稿图片、学术论文等静态文档转为结构化或可搜索数据的任务，尤其适合批量处理。
限制 该技能擅长结构化数据分析、识别模式与趋势、创建可视化框架、计算统计指标；但它不能访问你的实际数据、不能替代统计专业知识、不能做出业务决策、不能保证预测准确性。
相关技能 web-scraper：抓取网页内容；content-repurposer：对提取的内容进行再利用。
技能元数据 模式：centaur；分类：automation；子分类：document-processing；依赖：pdfplumber、pypdf、pandas；难度：beginner；预计节省时间：每周 4 小时以上。