yy-read-pdf

yy-read-pdf

描述

读取和解析 PDF 文件内容，提取文本、表格等结构化信息并输出。

使用场景

• 用户提供 PDF 文件路径并要求读取内容
• 用户需要提取 PDF 中的文本或表格
• 用户需要分析 PDF 文档结构
• 用户询问 PDF 文件中的特定信息

不应触发：

• 用户要求创建或编辑 PDF 文件
• 用户要求转换其他格式文件（如 Word、Excel）
• 用户没有提供 PDF 文件路径

指令

步骤 1. 确认文件路径

• 验证用户提供的 PDF 文件路径是否存在
• 确认文件扩展名为 .pdf

决策分支：

• 路径存在且为 PDF：进入步骤 2
• 路径不存在：提示用户提供正确的文件路径，退出执行
• 扩展名不是 .pdf：提示用户仅支持 PDF 格式，退出执行

步骤 2. 读取 PDF 内容

按优先级尝试以下方式读取 PDF 文件：

1. 使用内置文件读取能力读取 PDF 文件（不可用时进入下一项）
2. Python 工具：使用 pymupdf 提取文本（通过 python -c "import fitz" 检测是否已安装）
3. 未安装 pymupdf：请求用户授权后执行 pip install -e skills/yy-read-pdf/scripts 安装，安装后重试

pymupdf 使用方式（通过脚本调用，AI 只需传入参数）：

# 全量读取
python skills/yy-read-pdf/scripts/read_pdf.py --file "文件路径"

# 分段读取（第 0-19 页，超过 10 页时使用，每次最多 20 页）
python skills/yy-read-pdf/scripts/read_pdf.py --file "文件路径" --start 0 --end 20

参数说明：

• --file：PDF 文件路径（必需）
• --start：起始页码，0-indexed（默认 0）
• --end：结束页码，不含该页（默认读取到末页）

决策分支：

• 10 页以内的 PDF：直接读取全部内容（不传 --start/--end）
• 超过 10 页的 PDF：分段读取，每次最多 20 页（内置读取能力支持 pages 参数时使用该参数；pymupdf 传入 --start 和 --end 参数）
• 内置读取失败（非加密、非扫描）：降级到 pymupdf 方式重试
• 读取失败（加密 PDF）：提示用户需要先解密，退出执行
• 读取内容为空或乱码（扫描版 PDF）：提示用户该 PDF 为扫描版，需要 OCR 工具处理，退出执行

步骤 3. 输出解析结果

根据用户需求格式化输出内容：

决策分支：

• 用户要求完整内容：输出所有页面内容
• 用户要求特定页面：只输出指定页面
• 用户要求表格数据：识别表格结构，以 Markdown 表格格式输出

输出格式：

## PDF 文件信息

- 文件名：xxx.pdf
- 页数：N 页
- 格式：PDF x.x
- 标题：xxx
- 作者：xxx

## 提取内容

### 第 X 页

[页面内容]

相关资源

本技能包含以下辅助资源：

• scripts/read_pdf.py：pymupdf 读取 PDF 的执行脚本
• examples/output.md：使用 pymupdf 读取 PDF 的输出示例
• resources/sample.pdf：用于测试的示例 PDF 文件