PDF OCR Toolkit · PDF 全链路处理
一个 DeepSeek Harness(DSH)/ Agent Skill:
pdf-ocr-toolkitv1.1.0。
PDF 全链路处理工具包:探测(页数/加密/文本层)→ 文本层提取(pypdf)→ 扫描件渲染(pymupdf/fitz)→ OCR 识别(rapidocr-onnxruntime,中英文,模型内嵌离线)→ Markdown 整理 → docx 交付(python-docx)。含环境自检 doctor、一键装环境 setup、自动分流 pipeline(有文本层走提取、无文本层走 OCR)。触发词:读PDF、扫描件、OCR、识别图片文字、提取文本、转docx、PDF翻译前处理。
适用场景
把本仓库整体放进 agent 的技能目录即可按描述自动触发;也可以在对话里直接点名 pdf-ocr-toolkit。
目录结构
`SKILL.md`
`requirements.txt`
`LICENSE`
`.gitignore`
references/
scripts/
安装
DSH(DeepSeek Harness)
技能目录放到用户级技能根:
# Windows
git clone https://github.com/Rexray117/PDF-OCR-Toolkit-Skill.git "$env:USERPROFILE\.dsh\skills\pdf-ocr-toolkit"
# macOS / Linux
git clone https://github.com/Rexray117/PDF-OCR-Toolkit-Skill.git ~/.dsh/skills/pdf-ocr-toolkit
也可以用 DSH 的插件管理安装本地目录:
plugin_manager action=install_bundle target=<本仓库绝对路径>
其他 agent(Codex / WorkBuddy / Claude Code)
技能根分别位于 ~/.codex/skills、~/.workbuddy/skills、~/.claude/skills,把本仓库克隆成其中的 pdf-ocr-toolkit 子目录即可(技能名以 SKILL.md 的 name: pdf-ocr-toolkit 为准)。
版本
- 当前版本:v1.1.0(与
SKILL.md的version字段一致)
更新记录
- v1.1.0(2026-10-30)· 健壮性修复(全部用真实夹具验证)
- 全脚本:GBK 控制台不再因 emoji/✔ 崩溃(
reconfigure(encoding="utf-8", errors="replace"))。 - 加密 PDF:
pdf_probe.py/pdf_extract_text.py/pdf_pipeline.py均支持--password; pymupdf 无password=关键字,统一走open_fitz()(needs_pass+authenticate)。 - 同名覆盖:
pdf_pipeline.py输出同名时自动加_2/_3后缀,绝不覆盖已有文件。 - 页标记统一为
===== [PAGE n/N] =====;0 页输入不再触发除零,route 记为skip。 setup_env.py --check现在比较版本(==规格),此前只判包是否安装。md2docx.py支持列数不齐的 Markdown 表格(按最大列数补齐,不再 IndexError)。- Python 要求下调为
>=3.10(3.13.14 实测全绿)。
- 全脚本:GBK 控制台不再因 emoji/✔ 崩溃(
License
MIT © 2026 Rexray117
No comments yet. Be the first to write one.