PDF 文字擷取 是做什麼的？
當工作流程需要在進行摘要、分類或結構化提取前，從數位 PDF 取得機器可讀文字時，請使用此技能。輔助程式優先使用純 Python PDF 函式庫，並包含一個基於行的簡易表格偵測器，方便後續清理。
何時觸發
- 使用者說：「從這個 PDF 提取文字」、「餵 PDF 給 AI」、「從這份報告中拉出表格」、「讀取這份聲明」。
- PDF 已包含可選取文字，且不需要 OCR。
何時不應觸發
- PDF 為掃描影像；請改用 OCR 工作流程。
- 使用者需要完美還原合併儲存格與版面保真度的像素級表格。
具體範例
使用者輸入：
請從這個 PDF 提取文字和粗略表格，好讓 Gemini 可以摘要它。
輸出：
# 將 assets/extract.py 複製到你的專案中，然後：
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])
在目標專案中安裝 pypdf 或 pdfminer.six。不需要 OCR 二進位檔案，且當 PDF 沒有可提取文字時，輔助程式會明確報錯。
套用模式
- 優先嘗試數位文字提取；除非來源是掃描檔案，否則不要添加 OCR。
- 保留頁面邊界，以便下游提示可以引用頁碼。
- 保持表格提取簡單：按定位點或重複空格分割行，然後讓後續的綱要傳遞正規化欄位。
- 當 PDF 很長時，按頁面/範圍限制傳送給 LLM 的文字量。
- 找不到文字時應明確報錯，而不是向下游送出空提示。
參考資料：assets/extract.py。
來源
從作者自動化專案的實際使用經驗中提煉而成。v1.0.0。 另請參閱：[[gemini-structured-output]]、[[csv-report-writer]]、[[s3-uploader]]。
→ 使用 Trawlkit 建立完整可執行的機器人。