pdf-ocr-skill 是一个用于从影印版 PDF 文件和图片文件中提取文字内容的 OCR 技能，支持中文和英文识别，并保持文字的顺序和结构。它会自动将 PDF 页面转换为图片再进行识别。
一、主要能力 该技能提供四种 OCR 引擎：RapidOCR（本地引擎，免费、无需 API 密钥、识别速度快）、RapidDoc（增强引擎，支持版面分析、表格识别、公式识别和阅读顺序恢复，可输出包含 Markdown 的较结构化结果）、PaddleOCR（本地引擎，使用 PP-OCRv5 模型，支持多种语言和场景）、硅基流动 API（云端引擎，使用 AI 大模型进行高精度识别，需要 API 密钥）。此外具备智能引擎切换能力：当 RapidOCR 初始化失败时自动切换到硅基流动 API。
二、支持格式 PDF 文件：.pdf。图片文件：.jpg、.jpeg、.png、.bmp、.gif、.tiff、.webp。输出为包含 text（识别的完整文本内容）、page_count（页数，图片文件始终为 1）、engine（rapid | rapidoc | paddle | siliconflow）的对象。
三、安装与配置 依赖安装：pip install pymupdf pillow requests python-dotenv。可选依赖（推荐）：pip install rapidocr_onnxruntime，以获得本地识别能力。环境变量配置：复制 .env.example 为 .env，按需设置 OCR_ENGINE（"rapid" 为默认、"rapidoc"、"paddle"、"siliconflow"），若使用硅基流动 API 引擎需配置 SILICON_FLOW_API_KEY 和 SILICON_FLOW_OCR_MODEL（示例为 deepseek-ai/DeepSeek-OCR）。
四、使用方式 Python 调用：导入 from scripts.pdf_ocr_processor import PDFOCRProcessor，创建 PDFOCRProcessor()（默认 RapidOCR）或 PDFOCRProcessor(engine="siliconflow")，调用 processor.ocr_pdf('path/to/your/scanned.pdf') 或 processor.ocr_image_file('path/to/your/image.jpg')。命令行调用：python pdf_ocr_processor.py your_document.pdf，可选传入 rapid/siliconflow/rapidoc/paddle 指定引擎。进阶用法包括批量处理目录中的多个 PDF、以及先用 RapidOCR 再根据文本长度决定是否改用硅基流动 API 的混合策略。在 AI IDE 中还可通过提示词明确指定引擎。
五、适用场景 处理扫描版合同、协议等文档；提取影印版书籍、报告中的文字；处理无法直接复制文字的 PDF；批量处理扫描版 PDF；识别截图、扫描件等图片中的文字；处理手写体或印刷体图片文字识别。
六、限制与注意事项 RapidOCR 首次使用会自动下载模型，识别速度取决于 CPU 性能；硅基流动 API 需要有效 API 密钥，可能会产生费用，识别速度取决于文件页数、图片大小和网络状况；RapidDoc 处理时间可能长于 RapidOCR；PaddleOCR 首次使用会自动下载模型，对复杂扫描件或图片的识别准确率可能不同。建议使用高清晰度的扫描版 PDF 或图片以获得更好的识别效果。常见故障包括 RapidOCR 初始化失败（安装 rapidocr_onnxruntime）、硅基流动 API 401 错误（检查 .env 中密钥）、PDF 转图片失败（安装 pymupdf）以及识别结果为空（确认是否为扫描版、尝试云端引擎、确保清晰可读）。