ocr-and-documents

用途：从PDF和扫描文档中提取文本与结构化内容。远程文件优先使用web_extract转换PDF为Markdown，无需本地依赖；仅当文件在本地、web_extract失败或需批量处理时才用本地提取。本地工具二选一：pymupdf轻量（约25MB、即时、无模型），适合文本型PDF与基础表格，支持EPUB及通过pymupdf4llm输出Markdown；marker-pdf（约3-5GB）负责OCR、扫描件、公式、表单、复杂版式与90多种语言，输出更高质量，首次使用会下载约2.5GB模型。安装命令：pip install pymupdf pymupdf4llm 或 pip install marker-pdf。用法：脚本 python scripts/extract_pymupdf.py document.pdf 可加 --markdown、--tables、--images out/、--metadata、--pages 0-4；marker 用 python scripts/extract_marker.py document.pdf，可加 --json、--output_dir、--use_llm，命令行还有 marker_single 与 marker 批处理。pymupdf还支持拆分、合并与搜索文本。限制：标记工具需约5GB空余磁盘；DOCX应使用python-docx，PPTX参见powerpoint技能；为URL优先web_extract。