pdf-processing

用途

PDF Processing 技能用于处理和分析 PDF 文档，覆盖文本提取、表格提取、图表分析、视觉内容理解、文档版式识别、摘要生成以及格式转换等任务。当用户提供 PDF 文件路径、要求提取文本或表格、请求分析或摘要、需要理解图表或视觉内容，或希望将 PDF 转换为其他格式时，该技能会被激活。

主要能力

1. 文本提取：支持全文提取并保留格式，支持逐页提取、章节与段落识别、页眉页脚检测。
2. 表格提取：自动检测并提取表格，保留结构并转换为 CSV、JSON 或 Markdown，支持多页表格、单元格合并和复杂表格。
3. 视觉内容分析：解释图表和图形、理解示意图和流程图、描述图像和插图、分析信息图。
4. 文档理解：版式分析与结构检测、多栏文本处理、表单字段识别、元数据提取（标题、作者、创建日期、页数）。
5. 格式转换：PDF 转 Markdown（保留标题、列表、表格）、PDF 转 JSON（结构化数据提取）、PDF 转 CSV（表格提取）、PDF 转纯文本。

使用方式

技能通过 Python 脚本执行，主要步骤包括：

1. 验证输入：支持文件路径、Base64 编码内容或 URL。文件路径需验证存在且为 PDF；Base64 需先解码保存；URL 需下载。
2. 读取与分析：使用 Read 工具访问 PDF，利用 Claude 原生 PDF 支持显示内容、自动提取文本和结构、识别表格图表图像。
3. 按需处理：根据用户请求调用相应脚本，如 extract_text.py、extract_tables.py、summarize_pdf.py、convert_pdf.py、analyze_visuals.py 等。
4. 后处理与输出：验证输出文件、预览结果、提供摘要和后续建议。
5. 处理边界情况：密码保护 PDF 可传入密码；扫描件使用 OCR 脚本并指定语言；大文件可分块处理。

常用命令示例：

• 文本提取：python .claude/skills/pdf-processing/scripts/extract_text.py --input document.pdf --output document.txt --preserve-formatting true
• 表格提取：python .claude/skills/pdf-processing/scripts/extract_tables.py --input document.pdf --format csv --output-dir ./extracted_tables/
• 摘要生成：python .claude/skills/pdf-processing/scripts/summarize_pdf.py --input document.pdf --output summary.md --style concise
• 格式转换：python .claude/skills/pdf-processing/scripts/convert_pdf.py --input document.pdf --output document.md --format markdown --preserve-images true
• 视觉分析：python .claude/skills/pdf-processing/scripts/analyze_visuals.py --input document.pdf --output analysis.json --elements charts,graphs,diagrams
• OCR：python .claude/skills/pdf-processing/scripts/ocr_pdf.py --input scanned_document.pdf --output document.txt --language eng
• 批量处理：python .claude/skills/pdf-processing/scripts/batch_process.py --input-dir ./pdfs/ --output-dir ./extracted/ --format markdown

适用场景

• 从研究论文中提取关键点并生成摘要。
• 从财务报告中提取所有表格并导出为 CSV。
• 将 PDF 转换为 Markdown 用于文档或维基。
• 提取文本用于搜索索引。
• 批量处理发票、报告、表单等自动化工作流。
• 与数据分析工具集成，将表格数据输入 pandas/numpy。

限制

• 依赖 Python 3.8+ 及多个第三方库（PyPDF2 或 pypdf、pdfplumber、pdf2image、pytesseract、Pillow、requests），需通过 assets/requirements.txt 安装。
• 部分具有复杂 DRM 或加密的 PDF 可能处理失败。
• OCR 需要安装 tesseract，且图像质量需足够，语言设置需正确。
• 处理失败时需向用户说明原因并提供替代方案。
• 提醒用户不要未经授权上传敏感文档。

输出格式

支持纯文本（可选保留格式）、Markdown（保留标题、列表、表格、图片描述）、JSON（包含元数据和结构化内容）、CSV（表格数据）。

高级功能

支持批量处理多个 PDF、使用自定义转换模板、选择性提取特定章节。

版本

1.0.0（2025-11-18）初始版本，包含核心 PDF 处理能力。