八份文档跑下来,这个提取PDF的Skill翻出了什么

SkillHub 上有个下载量三十多万的 Skill，名字叫 PDF和图片文字提取，文档里写的是不用装 OCR 引擎。

我把它的四个脚本拆开看了，自己造了八份测试文档，一份一份跑。

它不用装 OCR 引擎，但识别这一步得靠 AI 视觉。

四个脚本。

record.py 是个门禁，调红狐接口报个到，顺带校验 Key。changelog.py 负责第一次用的时候把新功能念一遍。

核心是 pdf_text_extractor.py，三百来行，负责三件事。

有文字层的页面，把文字抠出来，顺带认一下标题层级。字号超过 16 点的算标题，加粗的再升一级。

有表格的页面，用 pymupdf 自带的 find_tables() 切成 Markdown 表格。

文字层太薄的页面，判定为扫描版，整页渲染成 PNG 图片。

到这一步脚本就交差了。

扫描页渲染成图片之后，识别这件事它不管。脚本在 ocr_images 字段里给你一张图，剩下的是调用方的事。

我把四个脚本的网络调用点扫了一遍。核心脚本里 requests、urlopen、socket 出现次数都是零，tesseract、rapidocr、paddleocr 也是零。

文档里那个「零额外依赖」，落到实现上，OCR 这一步是从本地引擎挪到了 AI 视觉。

装完之后按文档跑第一步，报错了。

退出码 1。我没去申请 Key，直接跑提取脚本。

八份测试文档里，七份正常处理完。加密那份抛了异常，待会儿说。

原因在源码里。record.py 发的内容就两个字段，skillName 和 source，**没有任何文件名，没有任何文档内容**。

从它发的内容看，这一步的作用是记录用量，不是决定能不能用。

我扫过的四个脚本里只有这一条出网，剩下的都在本地跑。文件不出机器。

文档里有一套要求，写得挺具体。

识别出数字串之后，不能直接给答案，要先把这个字符的视觉形状描述出来。有几个封闭圆圈，开口朝哪，弧线往哪走。8 上下两个圈，6 只有下面一个，9 只有上面一个。

描述完再做一次聚焦放大，把图再认一遍。两轮不一致就标个待确认。

照着做了一遍。

自造了一张设备验收单，塞了订单号、金额、热线、校验码，都是容易认错的那几个数字。

第一轮全局识别，五行全对。

第二轮裁剪放大三倍，逐位描述形状。校验码那六位，8、8、0、6、3、9 一个不差，两轮结果一致。

一份测试件，两轮一致。换张图是不是还这么准，我没法保证。

金额那栏 ￥1,286,400.00，千分位和小数点全对。

这套办法把「看着像 8 还是 6」这种靠猜，换成能核对的几何特征。

笨是有点笨。金额上的事，我更愿意多核一遍。

 顺利的几项

文字版 PDF，标题层级自动认出来，我那张 5 行 4 列表格行列没错位，输出成规规矩矩的 Markdown。

扫描版 PDF，一页整页图片，脚本连启动带渲染一共 0.91 秒，出了张 PNG。

视觉识别那张图，项目编号、承建单位、验收日期、项目经理、四条交付物清单、验收金额、签字人，八个字段都对。

一份扫描件，八个字段。换一张就不一定了。

批量处理，一个目录四个文件全部处理完，出一份 Markdown 报告，带汇总表。

两份 PDF 出了文字，两张图片进了待识别清单。图片这一步脚本不碰，得调用方自己认。JSON 模式也有，字段分了类。

### 表格这块的两个边界

合并单元格的表格，结构对了，合并那格属于哪几行看不出来。find_tables() 本身给不出这个信息，脚本也没做额外处理。

无边框表格那种只画横线不画竖线的，出了串行。「smart-charts」和「0.83」两个格子粘成了一个。

加密文档

脚本没有按文档说的那样返回一句友好的错误，而是抛了一屏堆栈。

原因在代码里。fitz.open() 打开加密文件不报错，拿到手的是个能用的对象，读页面时才抛异常。那行在 try 块外面，它准备的「返回 JSON 带 error 字段」兜底没机会跑。

按文档流程走，stdout 是空的，终端上是一屏报错。

### 少字页的判定

我造了个三页 PDF。第一页只有「签字页」三个字，第二页正常长正文，第三页是扫描图。

结果第一页被判成了扫描页。

判定规则是文字层字符数少于 20 就当扫描页。第一页有真文字，但那三个字没进正文，被推去渲染成图片。

签字页、盖章页、封面页、目录页字数天然都少，多半会被当成扫描页。视觉能认出来，本来能直接读的内容，转到了视觉那条通道。

阈值可以调，参数叫 --threshold。

五十页纯文字 PDF，二百来 KB。

只提文字，连启动一共 245 毫秒，全文三万九千字出来。

开表格提取，4 秒。慢了十六倍半。

表格检测要重新打开一遍文档逐页扫，两趟活。

日常读一份报告，这个量级的速度我够用。

能交出去的。

文字版取正文，标题层级它自己认。有框线的表格转 Markdown，我测的那张行列没错位。扫描版渲染成图交给视觉认，我这份八个字段都对。一个文件夹一次刷完出个报告。文件全程在本地，不上传。

得自己来的。

加密文档得先解密，不然会抛异常。无边框表格会串，用之前得核一遍数字。签字页封面页会被阈值误判。数字要按它教的两轮法核一次。金额错一位，是读者发现不了的那种错。

Key 这件事，不配也能跑通。但按它文档写的流程走，你会被门禁挡在第一步。

这套 Skill 里，三百行代码之外，SKILL.md 那套规矩也值得看。

先描述形状再判数字。校验过程静默执行，不打扰用户。存疑的字符标一个问号，再给两个备选。合并单元格认不出来，它就不硬认。

这些靠的是经验，代码不太好写出来。

它把「取像素」和「切表格」留给自己，把「这是什么字」交回给 AI。这个分工我看下来挺顺。

工具类 Skill 越来越多，能打交道的分界线可能就在这儿。

它给的命令很简单。

这东西我整理成了一份资料包

需要的，后台回复

【提取】

链接自动发给你