用途：从 PDF 文件中提取文本内容，适用于文档数字化、发票与收据处理、合同归档、内容分析以及为 LLM 准备文本等场景。
主要能力：对文本型 PDF 直接提取文本层，速度快、准确度高；对扫描件使用 Tesseract.js 进行 OCR，支持英语、西班牙语、法语、德语等语言，并可调整 OCR 质量与速度。支持批量处理多个 PDF，提供进度跟踪、错误处理与重试。输出格式包括纯文本、带元数据的 JSON、Markdown 和保留链接的 HTML。附带按页提取、字符与词数统计、语言检测、元数据（作者、标题、创建日期）提取等功能。
使用方式：安装命令为 clawhub install pdf-text-extractor。核心函数包括 extractText（单文件提取，参数有 pdfPath、options，options 可设 outputFormat、ocr、language、preserveFormatting、minConfidence）、extractBatch（批量提取，参数 pdfFiles、options）、countWords（词数统计）、detectLanguage（语言检测）。可通过 config.json 配置 OCR 默认语言与质量、默认输出格式、批量并发数与超时。
限制：OCR 准确率约 85-95%，取决于扫描质量，建议 300 DPI 以上；OCR 处理速度约每页 1-3 秒，内存峰值约 50-100MB。文本型 PDF 提取约 10 页 100ms。若 PDF 为纯图像且 OCR 置信度低，可能返回空结果。资料未提供收费、价格与平台支持信息。