71 lines
2.1 KiB
Markdown
71 lines
2.1 KiB
Markdown
# PDF/DOCX智能文档解析
|
||
|
||
`PDF` `文档理解` `OCR` `DOCX` `PPTX` `文本提取`
|
||
|
||
# pdf-word-reader-zh
|
||
|
||
```bash
|
||
$ npx skills add https://github.com/20041002liu-cloud/pdf-word-reader-zh
|
||
```
|
||
|
||
SKILL.md
|
||
|
||
本技能为 PDF、DOCX 和 PPTX 文件提供端到端的文档理解能力。它将文件路径转化为结构化提取结果、分块证据以及可供分析的报告。
|
||
|
||
用户提供文档路径，并要求读取、摘要、提取、分析或完整理解其内容。
|
||
|
||
## 功能概述
|
||
|
||
- 读取 `.pdf` 文件，支持文本提取及 OCR 兜底
|
||
- 读取 `.docx` 文件，支持段落/表格提取
|
||
- 自动将 `.pptx` 转换为 PDF，再按 PDF 流程处理
|
||
- 将长文本切分为分块证据（`C001`、`C002`……）
|
||
- 生成基于证据的结论报告框架
|
||
|
||
## 工作流程
|
||
|
||
1. 检测输入类型：PDF、DOCX 或 PPTX。
|
||
2. 若为 PPTX，先转换为 PDF（LibreOffice 或 Windows 上的 PowerPoint COM）。
|
||
3. 提取结构化内容（文本、页面、可用时含表格）。
|
||
4. 对低文本量 PDF 页面启用 OCR 兜底。
|
||
5. 构建带有稳定块 ID 的证据分块。
|
||
6. 输出包含分块证据索引的分析报告框架。
|
||
|
||
## 命令
|
||
|
||
```bash
|
||
python scripts/prepare_document_context.py "<输入文件>" --output-dir "output/document-understanding"
|
||
```
|
||
|
||
## 输出文件
|
||
|
||
- `01_extracted.json`：结构化提取结果
|
||
- `02_chunks.json`：分块证据单元
|
||
- `03_understanding_report.md`：分析报告框架及证据索引
|
||
|
||
## 常用选项
|
||
|
||
- `--disable-ocr`：禁用 OCR 兜底
|
||
- `--max-pages N`：仅处理前 N 页（快速运行）
|
||
- `--fail-on-empty`：若未提取到文本则报错退出
|
||
|
||
## 依赖安装
|
||
|
||
```bash
|
||
python -m pip install -r requirements.txt
|
||
```
|
||
|
||
推荐系统工具：
|
||
|
||
- `tesseract`，需安装中文语言包（`chi_sim`）
|
||
- `pdftoppm`（Poppler）
|
||
- PPTX 转换：`soffice`（LibreOffice）或 Microsoft PowerPoint（Windows）
|
||
|
||
## 质量规范
|
||
|
||
最终分析输出须遵守以下规则：
|
||
|
||
- 在得出结论前，读取所有分块内容。
|
||
- 对关键论点引用块 ID，例如 `[C003][C011]`。
|
||
- 区分事实与假设。
|
||
- 明确列出缺失的证据。 |