tpc-pascal/agent-skills

Extrae y convierte documentos PDF/DOCX/XLSX: obtiene capa de texto (pdftotext), OCR en imágenes escaneadas (pdftoppm + tesseract), conversión a markdown (docling), XLSX → CSV (libreoffice headless), y unir/dividir/rotar páginas (qpdf/pdftk), verificando la salida con pdfinfo + pdftotext. Úsalo cuando tengas documentos y necesites extraer texto, aplicar OCR a escaneos, convertir formatos, dividir/unir páginas o verificar el contenido extraído.

¿Qué es agent-skills?

Esta skill actúa como un enrutador ligero hacia herramientas CLI locales especializadas en el procesamiento de documentos (PDF, DOCX, XLSX). No contiene código propio; en su lugar, selecciona y ejecuta la herramienta adecuada según el tipo de archivo y la necesidad del usuario: pdftotext para PDF con capa de texto, tesseract mediante pdftoppm para documentos escaneados, docling para conversiones complejas a Markdown/JSON, libreoffice para hojas de cálculo, y qpdf/pdftk para manipulación de páginas. La skill detecta automáticamente el tipo de archivo con el comando `file` y una inspección inicial. Está diseñada para entornos locales con las herramientas CLI preinstaladas, y soporta el llamado a skills de terceros (como `docling`) solo cuando hay conectividad. Tras cada extracción, verifica la completitud con `pdfinfo` y `pdftotext`, y siempre reporta la ubicación del archivo generado, manteniendo el original intacto. Es útil para desarrolladores y agentes que necesitan procesar documentos sin depender de APIs externas.

Compatible con~Claude Code~Codex CLI~Cursor

npx skills add https://github.com/tpc-pascal/agent-skills/tree/HEAD/skills/research/doc

Documentación

English version: SKILL.en.md

doc — procesamiento de documentos (PDF/DOCX/XLSX)

Skill ligera, sin código propio: enruta a CLI local (pdftotext, tesseract, qpdf, pdftk, docling, libreoffice) según las recetas en references/doc-recipes.md.

Tabla de enrutamiento por tipo de entrada

Identifica el tipo con file <f> y abre 1 página de prueba.

Entrada + necesidad	Comando principal	Notas
PDF con capa de texto, extraer texto	`pdftotext -layout`	§1
PDF escaneado/imagen, extraer texto	OCR `pdftoppm` + `tesseract`	§1
PDF/DOCX complejo (tablas, layout) → markdown/JSON	skill `docling` oficial (fetch `--skill docling`), fallback `docling convert --to md`	§1 — PDF >5 páginas: `--page-range`, timeout 180
XLSX → CSV/markdown	libreoffice headless	§1
Unir/dividir/rotar/extraer páginas PDF	`qpdf`/`pdftk` + `pdfinfo`/`pdftoppm`	§2
Archivo dudoso/borroso, sonda rápida	skill `inspect` (mediaskills)	`uv run <inspect>/scripts/probe.py`
Verificar salida recién extraída	`pdfinfo` + `pdftotext`	§4 — páginas deben coincidir, texto no vacío

Reglas

Indicar idioma de entrada — responder en el mismo idioma del usuario.
Salida junto al archivo fuente: <nombre_original>.extract.md|.txt|.csv. No sobrescribir el archivo original.
Etiquetar fuente al extraer de imágenes escaneadas: escribir [ocr] — no mezclar con contenido observado.
Verificar antes de entregar: PDF debe tener suficientes páginas (pdfinfo), el texto extraído debe coincidir en páginas (pdftotext); si falta o está vacío → extraer de nuevo.
Local-first: los comandos de procesamiento se ejecutan en la máquina; la capacidad offline depende de las CLI, el modelo OCR/Docling y los datos necesarios que estén instalados o en caché. La primera vez que se usa Docling puede requerir descargar el modelo; descargar skills de terceros también requiere red. Si falta modelo/herramienta, informar claramente o elegir otra receta local — no afirmar que se procesó offline.
Tras escribir la salida, informar el archivo escrito (nombre + ruta) — no en silencio.

Skill de terceros (fetch según sesión)

Skill docling oficial (docling-project): CLI + Python SDK, PipelineOptions, configuración OCR, DoclingDocument en JSON/markdown — más profundo que el CLI docling convert de §1.
Descargar según sesión: ./scripts/fetch-session.sh --skill docling → temporal, no se instala permanentemente.
Sin red / no se puede descargar: usar la receta CLI disponible. docling convert --to md solo es offline si el modelo necesario ya está en caché; si no, elegir otra opción o informar claramente la dependencia.

references

references/doc-recipes.md — §1 extracción (PDF/OCR/docling/DOCX/XLSX), §2 conversión de PDF, §3 escritura de salida, §4 exportación DOCX para skill paper.