用途：从 PDF 文件中提取文本，适合批量处理、构建搜索索引、把技术标准与规范转为可检索文本库，以及为 AI/ML 处理准备文档。官方推荐工作流是先用 OpenAI Codex 将 PDF 转为 Markdown（见 pdf skill），再处理结构化 Markdown；本技能更适合 Codex 转换不便的批量场景、需要直接提取的旧工作流，以及只需原始文本的情况。
主要能力：基于 PyMuPDF（fitz）逐页提取文本并记录页码；按字符数智能分块并支持重叠，尽量在句末断开；提取标题、作者、主题、创建者、创建日期等元数据；批量处理目录下所有 PDF，跳过损坏文件并记录错误；用 SQLite 记录文档与分块，支持断点续跑和进度统计。
使用方式：安装依赖 pip install PyMuPDF pytesseract pillow，OCR 还需系统安装 Tesseract。直接提取示例：import fitz; doc = fitz.open("document.pdf"); 遍历 page.get_text()。CLI 用法：python extract.py document.pdf --db output.db；python extract.py /path/to/pdfs --db knowledge.db；python extract.py --stats --db knowledge.db；可用 --chunk-size 调整分块大小。加密 PDF 需用 doc.authenticate(password)；扫描件需用 pytesseract 配合 PIL 做 OCR；大文件建议逐页流式处理。
限制：仅处理文本型 PDF，扫描件需额外 OCR；加密文件需提供密码；分块大小建议 1500-2500 字符；SQLite 建议设置 timeout=30 避免锁错误。资料未提供收费、价格与平台信息。