PDF文字提取

任务目标

脚本所需的依赖包及版本：

pymupdf>=1.23.0
requests
pydantic-settings

安装命令：

pip install pymupdf>=1.23.0 requests pydantic-settings

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，并检测扫描页面
- 对于扫描页面，脚本会将其渲染为图片并保存到同级目录的 {pdf_name}_images 文件夹中
处理提取结果
- 如果提取失败：告知用户错误信息，任务结束
- 如果提取成功：进入步骤 4
OCR 识别扫描页面（自动调用）
- 检查返回结果中的 scanned_pages 列表
- 如果存在扫描页面，对每个扫描页面执行以下操作：
  - 读取页面图片文件，转为 base64 编码
  - 调用 scripts.ocr_tools.ocr_for_data_base64(dataBase64=base64_string) 进行 OCR 识别
  - 将 OCR 识别结果替换原占位符，合并到最终文本中
- 如果 scanned_pages 为空，跳过此步骤
生成输出结果
- 合并所有页面的文字内容
- 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

必要脚本：见 scripts/pdf_text_extractor.py
- 用途：从 PDF 文件中提取文本内容，检测扫描页面并导出图片
- 参数：PDF 文件路径
- 输出：JSON 格式结果，包含提取的文本、扫描页面信息和元信息
OCR 工具：见 scripts/ocr_tools.py
- 用途：对扫描页面图片进行 OCR 文字识别
- 参数：图片 base64 编码或图片 URL
- 输出：JSON 格式结果，包含识别的文字内容
API 配置：见 scripts/config.py
- 用途：管理 OCR API 密钥
- 注意：首次使用 OCR 功能时，如果未配置 API 密钥，需要使用 AskUserQuestion 询问用户

用户操作：上传 PDF 并要求"提取这个 PDF 的文字"

智能体处理：

用户操作：上传扫描版 PDF

智能体处理：