baronguyen001/ai-automation-skills

Extrayez le texte et les lignes ressemblant à des tableaux simples d'un PDF pour un traitement en aval par IA, sans binaires OCR. À utiliser lorsque l'utilisateur demande de lire un PDF, de le convertir en texte, d'extraire des tableaux simples de relevés ou de rapports, ou de transmettre le contenu d'un PDF à un pipeline LLM.

Qu'est-ce que ai-automation-skills ?

Cette compétence permet d'extraire facilement du texte lisible par machine à partir de fichiers PDF numériques, sans avoir recours à des outils OCR externes. Elle est particulièrement utile pour les workflows d'IA en aval, comme la synthèse, la classification ou l'extraction structurée. Le module utilise des bibliothèques Python pures (comme pypdf ou pdfminer.six) et intègre un détecteur de tableaux simple basé sur les lignes pour faciliter le nettoyage ultérieur des données. Il conserve les limites de page pour que les invites adressées au LLM puissent citer des numéros de page, et échoue de manière explicite lorsqu'aucun texte n'est trouvé, évitant ainsi d'envoyer des données vides au LLM. Cette compétence est idéale pour les développeurs utilisant Claude Code, Cursor, Codex ou d'autres plateformes d'IA agent, et s'intègre via un simple appel à la fonction extract_pdf dans assets/extract.py. Elle ne doit pas être utilisée avec des PDF scannés (qui nécessitent une OCR) ou pour une reconstruction parfaite de tableaux avec cellules fusionnées.

Compatible avec~Claude Code~Codex CLI~Cursor✓Gemini CLI

npx skills add https://github.com/baronguyen001/ai-automation-skills/tree/HEAD/skills/pdf-text-extract

Documentation

Extraction de texte PDF

Utilisez cette compétence lorsqu'un workflow a besoin de texte lisible par machine à partir d'un PDF numérique avant résumé, classification ou extraction structurée. L'assistant utilise des bibliothèques PDF Python pures lorsque disponibles et inclut un détecteur de tableaux simple basé sur les lignes pour un nettoyage en aval.

Quand l'utiliser

L'utilisateur dit : « extrais le texte de ce PDF », « alimente une IA avec ce PDF », « extrais les tableaux de ce rapport », « lis ce relevé ».
Le PDF contient déjà du texte sélectionnable et ne nécessite pas d'OCR.

Quand NE PAS l'utiliser

Le PDF est une image scannée ; utilisez plutôt un workflow OCR.
L'utilisateur a besoin d'une reconstruction de tableau parfaite avec cellules fusionnées et fidélité de mise en page.

Exemple concret

Entrée utilisateur :

Extrais le texte et les tableaux approximatifs de ce PDF pour que Gemini puisse le résumer.

Sortie :

# Copiez assets/extract.py dans votre projet, puis :
from extract import extract_pdf

doc = extract_pdf("downloads/report.pdf")
print(doc["text"][:2000])
for table in doc["tables"]:
    print(table["page"], table["rows"][:3])

Installez pypdf ou pdfminer.six dans le projet cible. Aucun binaire OCR n'est requis, et l'assistant échoue clairement lorsque le PDF n'a pas de texte extractible.

Schéma à appliquer

Privilégiez d'abord l'extraction de texte numérique ; n'ajoutez pas d'OCR sauf si la source est scannée.
Conservez les limites de page afin que les invites en aval puissent citer les numéros de page.
Simplifiez l'extraction de tableaux : divisez les lignes sur les tabulations ou les espaces répétés, puis laissez un passage de schéma ultérieur normaliser les colonnes.
Limitez le texte envoyé à un LLM par page/plage lorsque le PDF est long.
Échouez bruyamment lorsqu'aucun texte n'est trouvé au lieu d'envoyer une invite vide en aval.

Référence : assets/extract.py.

Source

Distillé à partir d'une utilisation en production dans les projets d'automatisation de l'auteur. v1.0.0. Voir aussi : [[gemini-structured-output]], [[csv-report-writer]], [[s3-uploader]].

→ Construisez le bot exécutable complet avec Trawlkit.