About

Imported from xiexikang/skill-pdf-content-extractor (SKILL.md). Install upstream with npx skills add xiexikang/skill-pdf-content-extractor. Copyright stays with the author.

PDF Content Extractor & Annotator

Name: PDF Content Extractor & Annotator
Author: xiexikang

功能概述

此技能提供完整的 PDF 处理能力：

文本提取：提取所有文本内容，保留格式和结构，支持章节识别与图片在 Markdown 报告中的引用
表格提取：识别并提取表格数据为结构化格式（CSV/Excel/JSON）
元数据提取：获取作者、创建日期、标题等元信息
PDF 合并：将多个 PDF 文件合并为一个
智能注释：在 PDF 上添加高亮、批注、标记
图片提取：提取 PDF 中嵌入图片，输出到目录并生成清单 JSON
去水印处理：基于规则与启发式清理文本/注释类型水印
OCR 兜底：文本密度不足时可启用 Tesseract OCR 进行识别

使用流程

基础提取

用户上传 PDF 文件
系统自动检测内容类型（文本密集型/表格密集型）
可选启用图片提取与 OCR 兜底
调用相应的提取脚本并生成结构化报告（Markdown/JSON），可在报告中嵌入图片引用

合并与注释

用户指定要合并的 PDF 文件
系统按顺序合并并可选添加书签/页码/目录页
根据用户需求添加注释（页码、标题、高亮关键词等）
输出带注释的新 PDF

图片提取流程

选择处理页码范围（默认全页）
提取嵌入图片到 output/<文件名>/images
生成图片清单 output/<文件名>/<文件名>_images.json
在综合报告或 Markdown 文本中按清单引用图片

去水印流程

选择模式：pattern（按文本规则）、heuristic（启发式统计）、both（联合）
加载配置 resources/watermark_patterns.json（可选）
执行分析并输出统计；如非 --dry-run，生成去水印后的 PDF

输出格式

文本：Markdown 或纯文本
表格：CSV、Excel 或 JSON
元数据：JSON 格式
合并 PDF：带书签和页码的新 PDF
综合报告：包含所有提取内容的 HTML/Markdown 报告
图片：输出到 output/<文件名>/images，并生成 output/<文件名>/<文件名>_images.json 清单

技术细节

文本提取策略

使用 pdfplumber 进行精确文本定位
保留段落结构和标题层级
处理多列布局和复杂排版
当文本密度低于阈值时，可启用 OCR（pytesseract）兜底，ocr_lang 指定语言，tesseract_cmd 指定可执行路径

表格检测

基于边界线的表格检测
无边界表格的智能识别
跨页表格合并处理

注释类型

高亮（Highlight）
下划线（Underline）
文本批注（Comment）
标记（Stamp）
链接（Link）

去水印策略（目前效果不是很理想）

基于 PyMuPDF（fitz）的 redaction/编辑引擎
文本模式：按 resources/watermark_patterns.json 中的 text_patterns 命中后遮盖
启发式模式：统计大字号短语在多页出现的比例，超过阈值则视为水印并遮盖
模式说明：pattern（规则匹配）、heuristic（启发式统计）、both（联合使用）
注释清理：可选移除 Stamp、FreeText 等注释类型

配置说明

text_patterns 支持 contains、icontains、regex
heuristics 包含 min_font_size、repeat_threshold_percent、min_text_length
remove_annotations 与 annotation_types 控制注释清理范围

图片提取策略

遍历页面并提取嵌入图片
尺寸过滤（min_width / min_height）避免噪声
字节级 SHA256 去重（跨页同图只保留一次）
可选写出清单并在 Markdown 报告中引用

错误处理

加密 PDF：提示需要密码
扫描版 PDF：建议使用 OCR
损坏文件：返回详细错误信息
去水印命中不足：建议调整模式为 both 或增补配置词典
OCR 相关：未安装 Tesseract 或语言包缺失时给出提示，可通过 --tesseract-cmd 指定路径、--ocr-lang 指定语言

Use it

Copy one of these into your project. Installing also returns the manifest and these snippets.

yaml

targets:
  - https://api.opensmartroute.ai/api/v1/registry/xiexikang-skill-pdf-content-extractor-pdf-content-extrac-bb739a/manifest   # or paste the manifest below

Manifest

An Open Capability Manifest: the router reads it to know what this does, what it costs and when to pick it.

xiexikang-skill-pdf-content-extractor-pdf-content-extrac-bb739a.ocm.jsonjson

{
  "ocm": "1",
  "id": "xiexikang-skill-pdf-content-extractor-pdf-content-extrac-bb739a",
  "kind": "skill",
  "name": "PDF Content Extractor & Annotator",
  "description": "提取与分析 PDF：文本、表格、元数据、图片；支持合并、注释与去水印，提供 OCR 兜底与综合报告",
  "publisher": "xiexikang",
  "version": "1.0.0",
  "capabilities": {
    "domains": [
      "general"
    ],
    "tags": [
      "skill-md",
      "pdf",
      "extraction",
      "annotation",
      "data-processing",
      "ocr",
      "image-extraction",
      "watermark-removal",
      "github"
    ],
    "languages": [
      "en"
    ]
  },
  "quality_prior": 0.6,
  "examples": [
    "提取与分析 PDF：文本、表格、元数据、图片；支持合并、注释与去水印，提供 OCR 兜底与综合报告"
  ],
  "primary": false,
  "metadata": {
    "source": {
      "provider": "github",
      "repository": "https://github.com/xiexikang/skill-pdf-content-extractor",
      "path": "SKILL.md",
      "ref": "5eb0e601c07ba286bab34ac9b3b327b1ac3dadde",
      "url": "https://github.com/xiexikang/skill-pdf-content-extractor/blob/5eb0e601c07ba286bab34ac9b3b327b1ac3dadde/SKILL.md",
      "key": "xiexikang/skill-pdf-content-extractor/SKILL.md"
    }
  },
  "instructions": "# PDF Content Extractor & Annotator \r\n\r\n## 功能概述 \r\n\r\n此技能提供完整的 PDF 处理能力：\r\n1. **文本提取**：提取所有文本内容，保留格式和结构，支持章节识别与图片在 Markdown 报告中的引用\r\n2. **表格提取**：识别并提取表格数据为结构化格式（CSV/Excel/JSON）\r\n3. **元数据提取**：获取作者、创建日期、标题等元信息\r\n4. **PDF 合并**：将多个 PDF 文件合并为一个\r\n5. **智能注释**：在 PDF 上添加高亮、批注、标记\r\n6. **图片提取**：提取 PDF 中嵌入图片，输出到目录并生成清单 JSON\r\n7. **去水印处理**：基于规则与启发式清理文本/注释类型水印\r\n8. **OCR 兜底**：文本密度不足时可启用 Tesseract OCR 进行识别\r\n\r\n## 使用流程 \r\n\r\n### 基础提取 \r\n1. 用户上传 PDF 文件\r\n2. 系统自动检测内容类型（文本密集型/表格密集型）\r\n3. 可选启用图片提取与 OCR 兜底\r\n4. 调用相应的提取脚本并生成结构化报告（Markdown/JSON），可在报告中嵌入图片引用\r\n\r\n### 合并与注释 \r\n1. 用户指定要合并的 PDF 文件\r\n2. 系统按顺序合并并可选添加书签/页码/目录页\r\n3. 根据用户需求添加注释",
  "cost": {
    "context_tokens": 562
  }
}

Fetch it by URL: GET /api/v1/registry/xiexikang-skill-pdf-content-extractor-pdf-content-extrac-bb739a/manifest?version=1.0.0

Reviews

Star ratings from people who tried it. One review per account; edit yours any time.

No reviews yet. Install it, try it, and be the first to rate it.