tpc-pascal/agent-skills

Extraction et conversion de documents PDF/DOCX/XLSX — récupération de couche texte (pdftotext), OCR d'images scannées (pdftoppm + tesseract), conversion en markdown (docling), XLSX → CSV (libreoffice headless), fusion/séparation/rotation de pages (qpdf/pdftk), vérification de la sortie avec pdfinfo + pdftotext. À utiliser pour obtenir le texte, OCRer des scans, convertir des formats, fractionner/fusionner des pages ou vérifier le contenu extrait d'un document.

Qu'est-ce que agent-skills ?

Cette compétence (skill) permet de gérer l'extraction et la conversion de documents PDF, DOCX et XLSX sans avoir recours à du code personnalisé. Elle repose entièrement sur des outils CLI locaux : `pdftotext` pour les PDF avec couche texte, `pdftoppm` + `tesseract` pour l'OCR de scans, `docling` pour les conversions complexes en markdown/JSON, `libreoffice` en mode headless pour les XLSX vers CSV, et enfin `qpdf`/`pdftk` pour les opérations de pages (fusion, séparation, rotation). La compétence vérifie systématiquement la complétude du résultat via `pdfinfo` et `pdftotext` avant de le livrer. Elle supporte les environnements locaux, hors ligne si les modèles OCR/Docling sont en cache, et peut télécharger à la demande la skill `docling` plus avancée (docling-project) pour des besoins approfondis. Les extractions sont sauvegardées à côté du fichier source avec un label `[ocr]` pour les images scannées, et l'agent répond dans la langue de l'utilisateur.

Compatible avec~Claude Code~Codex CLI~Cursor

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

Documentation

Version anglaise : SKILL.en.md

doc — traitement de documents (PDF/DOCX/XLSX)

Skill légère, sans code propre : achemine vers des CLI locales (pdftotext, tesseract, qpdf, pdftk, docling, libreoffice) selon les recettes dans references/doc-recipes.md.

Tableau d'acheminement par type d'entrée

Identifier le type avec file <f> et ouvrir une page pour test.

Entrée + besoin	Commande principale	Note
PDF avec couche texte, extraire le texte	`pdftotext -layout`	§1
PDF scanné/image, extraire le texte	OCR `pdftoppm` + `tesseract`	§1
PDF/DOCX complexe (tableaux, mise en page) → markdown/JSON	skill `docling` officielle (fetch `--skill docling`), fallback `docling convert --to md`	§1 — PDF >5 pages : `--page-range`, timeout 180
XLSX → CSV/markdown	libreoffice headless	§1
Plier/séparer/retourner/extraire des pages PDF	`qpdf`/`pdftk` + `pdfinfo`/`pdftoppm`	§2
Fichier recto-verso/flou, sondage rapide	skill `inspect` (mediaskills)	`uv run <inspect>/scripts/probe.py`
Vérifier la sortie extraite	`pdfinfo` + `pdftotext`	§4 — les pages doivent correspondre, le texte ne doit pas être vide

Règles

Rappeler la langue d'entrée — répondre dans la même langue que l'utilisateur.
Placer la sortie à côté du fichier source : <nom_source>.extract.md|.txt|.csv. Ne pas écraser le fichier source.
Étiqueter la source en cas d'extraction d'image scannée : ajouter [ocr] — ne pas mélanger avec le contenu observé.
Vérifier avant de livrer : le PDF doit avoir suffisamment de pages (pdfinfo), le texte extrait doit correspondre aux pages (pdftotext) ; pages manquantes/vides → extraire à nouveau.
Local d'abord : les commandes de traitement s'exécutent sur la machine ; la capacité hors ligne dépend des CLI, du modèle OCR/Docling et des données nécessaires installées ou mises en cache. La première utilisation de Docling peut nécessiter le téléchargement du modèle ; le téléchargement d'une skill tierce nécessite aussi un réseau. Si un modèle/outil manque, le signaler clairement ou choisir une autre recette locale — ne pas affirmer que le traitement est hors ligne.
Une fois la sortie écrite, signaler le fichier enregistré (nom + chemin) — ne pas rester silencieux.

Skills tierces (téléchargement à la session)

Skill docling officielle (docling-project) : CLI + SDK Python, PipelineOptions, configuration OCR, DoclingDocument JSON/markdown — plus approfondi que la CLI docling convert de §1.
Téléchargement à la session : ./scripts/fetch-session.sh --skill docling → temporaire, pas d'installation permanente.
Hors réseau / impossible à télécharger : utiliser la recette CLI disponible. docling convert --to md n'est hors ligne que si le modèle nécessaire est déjà en cache ; sinon, choisir une autre méthode ou signaler clairement la dépendance.

Références

references/doc-recipes.md — §1 extraction (PDF/OCR/docling/DOCX/XLSX), §2 transformation PDF, §3 écriture de la sortie, §4 export DOCX pour la skill paper.