PDF和图片文字提取Skill

一、它是干嘛的？

一句话：上传图片或 PDF，自动识别并提取其中的文字内容，保留原文结构与排版，输出清晰易读的结果。

它能解决这些场景：

·老板发来一张会议白板照，要整理成会议纪要；

·手头有一份扫描版 PDF，需要编辑或引用；

·看到一份外文报告截图，想复制下来翻译；

·学生试卷、合同截图、发票照片，都要变可编辑文本。

本质上，它把"人眼看 + 人手抄"这件事，变成了"机器读 + 结构化输出"。

二、能识别哪些格式？

·图片：PNG、JPG、JPEG、GIF、WebP、BMP 等常见格式都支持；

·文档：PDF，包括文字版（可复制那种）和扫描版（图片那种）。

三、怎么安装和使用？

第一步：注册并获取 API Key

这个 Skill 来自 SkillHub，需要先到官网注册账号，然后申请一个 API Key 才能用。整个过程很简单：

登录 skillhub.cn → 进入个人中心 → 点击 API 密钥 → 创建 API key

第二步：把这句话发给 ClawAI

复制下面的 prompt 发给 ClawAI，它会自动安装：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_5f9c21aa/pdf-image-text-extractor

在 ClawAI 对话框中粘贴安装 prompt

安装成功后，ClawAI 会给出该 Skill 的详情说明：

Skill 安装完成后的功能说明

第三步：上传文件，让它干活

安装完成后，就可以直接使用了。比如把一份 PDF 试卷丢给它：

上传 PDF 文件，自动识别并提取第一页内容

它会按 Markdown 格式输出，保留原文的标题层级和段落结构。比如上面的试卷，正确识别了选择题、选项 A/B/C/D、数学公式（∠BAC=100° 等）。

PDF 第二页继续提取：填空题、解答题都完整保留

四、它有哪些核心能力？

1. 图片文字提取

通过视觉模型识别图片中所有文字，包括标题、正文、注释、水印等。对一些复杂场景做了特殊处理：

·对数字、手写等复杂场景特殊处理，确保手写体、订单号、金额等关键数字准确；

·存疑字符会用"?"标记并给出备选，避免乱猜。

2. PDF 文字提取

通过 pypdf 脚本自动解析所有页面，主要能力包括：

·保留原排版结构和标题层级；

·输出 Markdown 格式，多页之间用 --- 分隔；

·支持文字版和扫描版 PDF。

五、相比手动录入，它快在哪？

实测一份 2 页的数学试卷 PDF，识别 + 整理用时不到 30 秒。换成手动录入，至少要 15 分钟，而且容易漏字、看错。

如果是几十页的报告、上百张会议照片，那节省的时间更夸张——基本就是一杯咖啡 vs 一下午的区别。

六、谁最需要这个 Skill？

·办公室文员：把扫描件、照片变成可编辑文档；

·老师/教研员：整理试卷、教案、参考资料；

·学生/研究者：从 PDF 论文、报告中提取关键内容；

·财务/审计：处理发票、合同、扫描版单据；

·自媒体/运营：把不能复制的图片内容变成可二次编辑的文本。

七、写在最后

工具好不好用，关键看它能不能从根上把一件烦人的事变简单。

PDF 和图片文字提取这件事，过去要么靠人海战术（雇人抄），要么靠专业 OCR 软件（还得学怎么用）。现在一个 Skill 就能搞定，门槛低、速度快、效果也不错。

如果你身边也有这种"看似不难、但真做起来很烦"的活，不妨先看看有没有现成 Skill 可以用。