Ocr And Documents
从 PDF/扫描件中提取文本（pymupdf、marker-pdf）。
Skill 元数据
| 来源 | 内置（默认安装） |
| 路径 | skills/productivity/ocr-and-documents |
| 版本 | 2.3.0 |
| 作者 | AigenLabs Agent |
| 许可证 | MIT |
| 平台 | linux, macos, windows |
| 标签 | PDF, Documents, Research, Arxiv, Text-Extraction, OCR |
| 相关 skill | powerpoint |
参考：完整 SKILL.md
信息
以下是 AigenLabs 在触发此 skill 时加载的完整 skill 定义。这是 agent 在 skill 激活时所看到的指令内容。
PDF 与文档提取
对于 DOCX：使用 python-docx（解析实际文档结构，远优于 OCR）。
对于 PPTX：参见 powerpoint skill（使用 python-pptx，完整支持幻灯片/备注）。
本 skill 涵盖 PDF 及扫描文档。
第一步：是否有远程 URL？
如果文档有 URL，始终优先尝试 web_extract：
web_extract(urls=["https://arxiv.org/pdf/2402.03300"])
web_extract(urls=["https://example.com/report.pdf"])
这通过 Firecrawl 实现 PDF 转 Markdown，无需本地依赖。
仅在以下情况使用本地提取：文件在本地、web_extract 失败，或需要批量处理。
第二步：选择本地提取器
| 功能 | pymupdf（约 25MB） | marker-pdf（约 3-5GB） |
|---|---|---|
| 基于文本的 PDF | ✅ | ✅ |
| 扫描 PDF（OCR） | ❌ | ✅（支持 90+ 种语言） |
| 表格 | ✅（基础） | ✅（高精度） |
| 公式 / LaTeX | ❌ | ✅ |
| 代码块 | ❌ | ✅ |
| 表单 | ❌ | ✅ |
| 页眉/页脚去除 | ❌ | ✅ |
| 阅读顺序检测 | ❌ | ✅ |
| 图片提取 | ✅（嵌入图片） | ✅（含上下文） |
| 图片 → 文本（OCR） | ❌ | ✅ |
| EPUB | ✅ | ✅ |
| Markdown 输出 | ✅（通过 pymupdf4llm） | ✅（原生，质量更高） |
| 安装体积 | 约 25MB | 约 3-5GB（PyTorch + 模型） |
| 速度 | 即时 | 约 1-14 秒/页（CPU），约 0.2 秒/页（GPU） |
决策原则：除非需要 OCR、公式、表单或复杂版面分析，否则使用 pymupdf。
如果用户需要 marker-pdf 的功能但系统磁盘空间不足约 5GB：
"此文档需要 OCR/高级提取（marker-pdf），这需要约 5GB 用于 PyTorch 和模型。您的系统剩余 [X]GB 可用空间。可选方案：释放磁盘空间、提供 URL 以使用 web_extract，或我可以尝试 pymupdf——它适用于基于文本的 PDF，但不支持扫描文档或公式。"
pymupdf（轻量级）
pip install pymupdf pymupdf4llm
通过辅助脚本：
python scripts/extract_pymupdf.py document.pdf # 纯文本
python scripts/extract_pymupdf.py document.pdf --markdown # Markdown
python scripts/extract_pymupdf.py document.pdf --tables # 表格
python scripts/extract_pymupdf.py document.pdf --images out/ # 提取图片
python scripts/extract_pymupdf.py document.pdf --metadata # 标题、作者、页数
python scripts/extract_pymupdf.py document.pdf --pages 0-4 # 指定页面
内联方式：
python3 -c "
import pymupdf
doc = pymupdf.open('document.pdf')
for page in doc:
print(page.get_text())
"
marker-pdf（高质量 OCR）
# 先检查磁盘空间
python scripts/extract_marker.py --check
pip install marker-pdf
通过辅助脚本：
python scripts/extract_marker.py document.pdf # Markdown
python scripts/extract_marker.py document.pdf --json # 含元数据的 JSON
python scripts/extract_marker.py document.pdf --output_dir out/ # 保存图片
python scripts/extract_marker.py scanned.pdf # 扫描 PDF（OCR）
python scripts/extract_marker.py document.pdf --use_llm # LLM 增强精度
CLI（随 marker-pdf 一同安装）：
marker_single document.pdf --output_dir ./output
marker /path/to/folder --workers 4 # 批量处理
Arxiv 论文
# 仅摘要（快速）
web_extract(urls=["https://arxiv.org/abs/2402.03300"])
# 完整论文
web_extract(urls=["https://arxiv.org/pdf/2402.03300"])
# 搜索
web_search(query="arxiv GRPO reinforcement learning 2026")
拆分、合并与搜索
pymupdf 原生支持这些操作——使用 execute_code 或内联 Python：
# 拆分：将第 1-5 页提取为新 PDF
import pymupdf
doc = pymupdf.open("report.pdf")
new = pymupdf.open()
for i in range(5):
new.insert_pdf(doc, from_page=i, to_page=i)
new.save("pages_1-5.pdf")
# 合并多个 PDF
import pymupdf
result = pymupdf.open()
for path in ["a.pdf", "b.pdf", "c.pdf"]:
result.insert_pdf(pymupdf.open(path))
result.save("merged.pdf")
# 在所有页面中搜索文本
import pymupdf
doc = pymupdf.open("report.pdf")
for i, page in enumerate(doc):
results = page.search_for("revenue")
if results:
print(f"Page {i+1}: {len(results)} match(es)")
print(page.get_text("text"))
无需额外依赖——pymupdf 在一个包内涵盖拆分、合并、搜索和文本提取。
注意事项
web_extract始终是 URL 的首选方案- pymupdf 是安全的默认选择——即时可用，无需模型，适用于所有环境
- marker-pdf 用于 OCR、扫描文档、公式、复杂版面——仅在需要时安装
- 两个辅助脚本均支持
--help查看完整用法 - marker-pdf 首次使用时会将约 2.5GB 的模型下载至
~/.cache/huggingface/ - 对于 Word 文档：
pip install python-docx（优于 OCR——解析实际文档结构） - 对于 PowerPoint：参见
powerpointskill（使用 python-pptx）