Scan to contact文档文字提取器
任务目标
- 本 Skill 用于：从用户上传的图片或 PDF 文档中识别并提取文字内容
- 能力包含：图片文字检测、PDF 文字提取、格式保留、结构化输出、Markdown 文件生成
- 触发条件：用户上传图片或 PDF 并要求提取文字，或询问文档中的文字内容
前置准备
依赖说明
脚本所需的依赖包及版本：
pymupdf>=1.23.0
安装命令：
pip install pymupdf>=1.23.0
支持的文件格式
- 图片格式：PNG、JPG、JPEG、GIF、WebP、BMP 等常见格式
- 文档格式：PDF（支持扫描版和文字版）
操作步骤
标准流程
图片文字提取流程
-
接收图片
- 确认用户已上传图片文件
- 获取图片的访问 URL
-
识别图片内容
- 使用
read_image工具识别图片内容 - 在 prompt 中明确要求识别所有文字内容，包括标题、正文、注释、水印等
- 使用
-
判断文字存在性
- 如果检测到文字：进入步骤 4
- 如果未检测到文字：告知用户"图片中未包含可提取的文字"，任务结束
-
提取并整理文字
- 提取图片中的所有文字内容
- 保持原有的结构和排版
- 整理为易读的格式
PDF 文字提取流程
-
接收 PDF 文件
- 确认用户已上传 PDF 文件
- 获取 PDF 文件的本地路径
-
调用脚本提取文字
- 执行命令：
python scripts/pdf_text_extractor.py <pdf_file_path> - 脚本会自动提取所有页面的文本
- 尽量保留原文的段落结构和标题层级
- 执行命令：
-
处理提取结果
- 如果提取成功：进入步骤 4
- 如果提取失败：告知用户错误信息，任务结束
-
格式化输出
- 脚本返回的文本为 Markdown 格式
- 可直接展示或保存为文件
统一输出步骤
- 生成输出结果
- 根据用户需求生成 Markdown 文件
- 包含文件来源、提取状态、文字内容等信息
- 使用清晰的标题和结构组织内容
可选分支
- 当用户仅需查看文字内容：直接输出文字，不生成文件
- 当用户要求保存结果：生成
.md文件 - 当图片/PDF 文字模糊或难以识别：说明情况并提供最佳识别结果
- 当 PDF 包含扫描图片：提示用户该页面为扫描图片，可能需要 OCR 处理
资源索引
- 必要脚本：见 scripts/pdf_text_extractor.py
- 用途：从 PDF 文件中提取文本内容并保留格式
- 参数：PDF 文件路径
- 输出：JSON 格式结果，包含提取的文本和元信息
注意事项
图片文字提取
- 识别准确性：文字识别结果受图片清晰度、字体、背景等因素影响，可能存在误差
- 文字排版：提取时尽量保持原图的文字结构和顺序
- 多语言支持：支持识别中文、英文等多种语言文字
PDF 文字提取
- 格式保留：脚本会尽量保留原文的段落结构和标题层级
- 扫描版 PDF：如果 PDF 是扫描图片，文字可能无法提取，需要告知用户
- 复杂布局：表格、多栏等复杂布局的提取效果可能不佳
- 加密 PDF：不支持加密或受密码保护的 PDF 文件
通用注意事项
- 隐私保护：处理的文件不会被存储，仅在当前会话中使用
- 文件大小：建议处理小于 50MB 的文件，过大文件可能导致处理缓慢
使用示例
示例 1：图片文字提取
用户操作：上传一张包含文字的图片
智能体处理：
- 使用
read_image工具识别图片 - 提取文字内容："所有经历的纠缠 / 还有难过的遗憾 / 都不可能没有意义"
- 直接输出提取结果
示例 2：PDF 文字提取并保存
用户操作：上传 PDF 并要求"提取这个 PDF 的文字"
智能体处理：
- 确认 PDF 文件路径
- 执行脚本：
python scripts/pdf_text_extractor.py ./document.pdf - 获取提取结果，包含 10 页内容
- 生成 Markdown 文件：
./extracted_from_pdf.md
示例 3：处理扫描版 PDF
用户操作：上传扫描版 PDF
智能体处理：
- 执行脚本提取文字
- 发现部分页面提取为空
- 告知用户："检测到部分页面可能为扫描图片，文字无法直接提取。建议使用 OCR 工具处理。"