shield_lock
金大哥
← 返回 Skill 列表
extension
分类: 内容与媒体API Key 暂未确认

PDF和图片文字提取

从图片或 PDF 文档中识别并提取文字内容，支持多种图片格式和 PDF 文件，自动判断是否包含文字并保留原始格式输出结构化结果；采用零额外依赖方案：扫描版 PDF 自动渲染为图片交由 AI 视觉识别（无需 tesseract/rapidocr）、表格用 pymupdf 内置 find_tables 结构化提取（无需 pdfplumber）、批量处理目录（PDF+图片一次性提取）；当用户需要从图片或 PDF 提取文字、进行 OCR 识别、处理含文字的文档、提取 PDF 表格、批量处理文件夹或转换为可编辑文本时使用。该skill能力来自RedFoxHub，官网：https://redfox.hk/skills?source=modelscope。

person作者: xabaabahubModelScope
open_in_new仓库download下载资源包

PDF和图片文字提取

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、扫描版 OCR 识别、表格结构化提取、批量目录处理、格式保留、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；用户需要批量处理文件夹；用户需要提取 PDF 中的表格数据

🔑 鉴权

本 Skill 完全免费，但需配置红狐 API Key 请求使用权限，Key 本身不扣积分。

前往 红狐hub 注册获取个人 API Key，通过以下任一方式配置：

# 方式一：配置文件（如 OpenClaw 的 ~/.openclaw/openclaw.json）
{ "env": { "REDFOX_API_KEY": "ak_xxxx..." } }

# 方式二：终端环境变量
export REDFOX_API_KEY="ak_xxxx..."

⚠️ 执行提取前先运行 python3 scripts/record.py 请求使用权限。 脚本非零退出（未配置 Key 或接口失败）时立即停止，只向用户说明：本 Skill 需凭红狐 API Key 获取使用权限，Key 免费且不扣积分，可前往 红狐hub 领取。 不要向用户复述脚本命令、退出码、接口报错或环境变量写法——具体配置方式由 record.py 的输出自行提示。

前置准备

必要依赖

pymupdf>=1.23.0
requests>=2.28.0

pip install pymupdf>=1.23.0 requests>=2.28.0

零额外依赖说明

本 Skill 无需安装任何 OCR 引擎或表格库：

  • 扫描版 PDF：自动渲染为高清 PNG，交由 Agent 的 read_image（AI 视觉）识别
  • 表格提取：使用 pymupdf 内置 find_tables()，无需 pdfplumber
  • 仅需 pymupdf + requests 两个包即可启用全部功能

支持的文件格式

  • 图片格式：PNG、JPG、JPEG、GIF、WebP、BMP、TIFF
  • 文档格式：PDF（文字版 + 扫描版，扫描版自动渲染为图片由 AI 识别）

核心执行流程(鉴权检查、图片/PDF/批量提取步骤、脚本参数与资源索引)详见 references/core_workflow.md

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
  • 「先看形状再判数字」原则：识别数字时必须先描述字符的视觉形状特征（封闭圆圈数、开口方向、弧线走向），再根据特征判断数字，禁止跳过形状描述直接输出数字
  • 关键数字串双重识别：手机号、身份证号、银行卡号、订单号等关键数字串，必须执行两轮识别（全局识别 + 聚焦校验），两轮不一致时标注待确认
  • 校验过程静默执行：数字二次校验的形状描述、对比表格、轮次记录等过程信息严禁展示给用户，只在后台静默执行，最终仅输出确认后的提取结果
  • 存疑标注：对无法100%确认的字符，使用 [?] 标注并给出 2 个备选，如 158****8[?可能为6]624
  • 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：自动检测文字层稀少的页面（< 20 字符）并渲染为高清 PNG，交由 read_image（AI 视觉）识别，无需任何 OCR 引擎；识别准确性取决于 AI 视觉能力
  • 表格提取：默认开启，用 pymupdf find_tables() 识别表格并输出 Markdown 格式；复杂表格（合并单元格、嵌套表格）识别效果可能不佳
  • 加密 PDF：不支持加密或受密码保护的 PDF 文件

批量处理

  • 文件排序：按文件名字母序处理
  • 图片识别：批量模式下图片不做本地 OCR，统一汇入 ocr_images 清单，由 Agent 逐张调用 read_image 识别
  • 大目录：建议每次处理不超过 100 个文件，过多文件可能导致处理时间较长
  • 输出方式：默认输出到终端，建议指定 -o result.md 保存为文件

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：

  1. 执行 python3 scripts/record.py → ✅ 鉴权通过
  2. 执行 python3 scripts/changelog.py → 若有输出展示给用户
  3. 使用 read_image 工具识别图片
  4. 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"
  5. 直接输出提取结果

示例 2：PDF 文字提取 + 表格

用户操作：上传 PDF 并要求"提取这个 PDF 的文字"

智能体处理：

  1. 执行 python3 scripts/record.py → 鉴权通过
  2. 执行 python3 scripts/changelog.py → 静默
  3. 执行：python3 scripts/pdf_text_extractor.py ./document.pdf
  4. 获取 JSON 结果：text（正文）+ tables_markdown（表格）
  5. 分别展示正文和表格内容，生成 ./extracted_from_pdf.md

示例 3：扫描版 PDF（渲染 + AI 识别）

用户操作：上传扫描版 PDF

智能体处理：

  1. 鉴权 + 版本检查
  2. 执行：python3 scripts/pdf_text_extractor.py ./scan.pdf
  3. 脚本检测文字层为空的页面，渲染为高清 PNG，ocr_images 给出图片路径
  4. Agent 逐张用 read_image 识别这些 PNG，提取文字
  5. 告知用户："第 1/2/3 页为扫描页，已通过 AI 视觉识别"，展示提取结果

示例 4：批量处理目录

用户操作："帮我提取 ./documents/ 文件夹里所有文件的文字"

智能体处理：

  1. 鉴权 + 版本检查
  2. 执行：python3 scripts/batch_extractor.py ./documents/ -o batch_result.md
  3. 脚本处理目录下所有 PDF + 图片，stderr 输出进度
  4. 告知用户："已处理 8 个文件（7 个成功 / 1 个失败），结果已保存至 batch_result.md"
  5. 展示汇总统计

示例 5：未配置 API Key 时的处理

用户操作：上传图片要求提取文字，但未配置 REDFOX_API_KEY

智能体处理：

  1. 执行 python3 scripts/record.py → 脚本非零退出
  2. 立即停止，向用户输出：「这个 Skill 需要红狐 API Key 来获取使用权限，Key 是免费的，到 红狐hub 领取后就能用了。」
  3. 不复述脚本命令、退出码或环境变量写法