PDF 文本提取

PDF 文本提取 是做什么的？

当工作流需要对数字 PDF 进行总结、分类或结构化提取前获取机器可读文本时，请使用此技能。该辅助工具优先使用纯 Python PDF 库，并包含一个基于行的简单表格检测器，便于下游清理。

何时调用

• 用户说：“从该 PDF 中提取文本”、“将 PDF 供给 AI”、“从该报告中提取表格”、“读取此对账单”。
• 该 PDF 包含可选文本，无需 OCR。

何时不调用

• PDF 是扫描图像；请改用 OCR 工作流。
• 用户需要精确的像素级表格重建（含合并单元格与布局保真度）。

具体示例

用户输入：

从该 PDF 中提取文本和粗略表格，以便 Gemini 进行总结。

输出：

# 将 assets/extract.py 复制到项目中，然后：
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])

在目标项目中安装 pypdf 或 pdfminer.six。无需 OCR 二进制文件，当 PDF 无可用文本时，辅助工具会清晰报错。

要应用的模式

1. 优先使用数字文本提取；除非源文件是扫描件，否则不要添加 OCR。
2. 保留页面边界，以便下游提示可引用页码。
3. 保持表格提取简单：按制表符或重复空格分割行，然后让后续的模式清洗步骤对列进行规范化。
4. 当 PDF 较长时，按页/范围限制发送给 LLM 的文本量。
5. 未找到文本时主动报错，而不是向下游发送空提示。

参考：assets/extract.py。

来源

提炼自作者自动化项目的生产实践。v1.0.0。 另见：[[gemini-structured-output]]、[[csv-report-writer]]、[[s3-uploader]]。

→ 使用 Trawlkit 构建完整的可运行机器人。