pdf-extract-mcp

Name: pdf-extract-mcp
Author: diyaluo

本地服务

github.com/diyaluo金融数据02 周前更新

代码仓库

关于 pdf-extract-mcp

pdf-extract-mcp 是从发票、银行对账单等带文本层的数字 PDF 中提取表格和文本的 MCP 服务。它适用于需要 CSV、JSON 或 Excel 结构化输出的流程，并默认自动脱敏个人信息；扫描版 PDF 会被拒绝。

主要功能

01提取数字 PDF 中的表格和文本
02接受 Base64 数据或 PDF URL
03导出 CSV、JSON 或 XLSX
04使用三种策略检测表格
05默认脱敏个人信息
06拒绝扫描版或纯图像 PDF

适用场景

01将银行对账单表格转为 CSV
02将发票数据整理为 JSON 或 Excel
03以已屏蔽标识信息的形式共享提取数据

MCP 相关

它提供 `extract_pdf` PDF 提取工具，以及用于查看服务状态和免费额度的 `health` 工具。支持本地 stdio 或远程 streamable HTTP 运行。

配置

本地服务的配置在各客户端中通用，复制后粘贴到客户端的 MCP 配置文件即可。

mcp.json · 通用配置

{
  "mcpServers": {
    "diyaluo-pdf-extract": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "--rm",
        "ghcr.io/diyaluo/pdf-extract-mcp:v0.3.0"
      ]
    }
  }
}

启动命令docker run -i --rm ghcr.io/diyaluo/pdf-extract-mcp:v0.3.0

本地服务需要在你的电脑上安装运行环境（如 Node.js 18+）。各客户端的配置文件位置不同，请参考客户端文档。

安装包

ocighcr.io/diyaluo/pdf-extract-mcp:v0.3.0stdio

工具

还没有获取到工具列表

本地服务需要在你的电脑上运行后才能读取工具，维护者暂未提供工具列表。

详细介绍

pdf-extract-mcp

一个 Model Context Protocol（MCP）服务，可从数字版（带文本层）PDF（银行对账单、发票、账单）中提取表格和文本，并输出为 CSV / JSON / Excel，同时自动脱敏 PII。

属于 invoice-extractor 产品的一部分。此软件包是 MCP 的分发渠道（“生态系统寄生者”：一个后端，多种宿主工作流）。Web 演示位于父项目中。

功能

extract_pdf — 上传数字版 PDF（base64 或 URL），获取结构化表格行，格式为 CSV / JSON 记录 / XLSX。
health — 服务状态和免费层限制。

表格检测会对每一页尝试三种策略：带线条的表格 → 根据表头行自身的 x 坐标推断显式列（适用于没有网格线的对账单 PDF，这是西方银行的常见情况）→ 通用文本对齐。

PII 脱敏（默认启用）涵盖：

地区	脱敏内容
美国 / 国际	SSN、EIN/TIN、IBAN、SWIFT/BIC、routing/ABA、账号、卡号（纯数字和 `4111 1111 1111 1111` / 带连字符的格式）、美国及国际电话号码、电子邮件
中国	18/15 位身份证号、手机号、银行卡、USCC（统一社会信用代码）、护照、2–3 字个人姓名、组织关键词

对于可能存在歧义的纯数字银行标识符（routing/账号/sort code），仅当其前面跟有标签时才会脱敏，因此参考编号和金额仍可读。金额、日期和描述绝不会被修改。

扫描版 / 纯图像 PDF 会被明确拒绝（SCANNED_PDF_UNSUPPORTED）——免费层仅支持数字版 PDF（OCR 是付费层的候选功能）。

限制（免费层）

每个客户端每滚动 30 天 100 页（匿名，以客户端哈希为键）。
每个文件 50 MB。
超出配额时，工具会返回结构化的 QUOTA_EXCEEDED 响应，并附带内联升级链接。绝不会在无提示的情况下扣费。
设置 PDF_EXTRACT_API_KEY 为付费密钥即可绕过配额（计费网关属于 P1 项目；当前免费层尚未发放付费密钥）。

运行（本地 stdio — Claude Desktop / Cursor / 任意 MCP 客户端）

pip install -e .
pdf-extract-mcp

客户端配置示例：

{
  "mcpServers": {
    "pdf-extract": {
      "command": "pdf-extract-mcp",
      "env": {}
    }
  }
}

运行（远程 streamable-http，适用于托管的 MCP 客户端）

REMOTE_TRANSPORT=http MCP_HOST=127.0.0.1 MCP_PORT=5060 \
  python -m pdf_extract_mcp.server
# POST JSON-RPC to http://127.0.0.1:5061/mcp

工具架构

extract_pdf(
  pdf_base64: str | None,     # preferred: PDF bytes as base64
  pdf_url:    str | None,     # alternative: direct https .pdf URL
  output:     "csv"|"json"|"xlsx",   # default csv
  redact_pii: bool = true,
  api_key:    str | None,    # paid key, optional
) -> {
  ok, type: "tables"|"text", pages, tables, rows, columns,
  csv | rows_json | xlsx_base64,   # depends on output
  elapsed_ms
}

遥测

每次调用都会追加到 ~/.cache/pdf-extract-mcp/mcp_usage.jsonl（尽力而为，不会阻塞提取；可通过 PDF_EXTRACT_STATE_DIR 修改路径）。客户端以加盐哈希记录；绝不会记录 PDF 内容或 PII。

注意：由于这是分发的 stdio 软件包，该文件位于用户的机器上，因此发布者无法读取。实际外部使用情况可通过托管注册表的所有者 API 获取（Smithery 上的 GET /servers/{namespace}/{name}/logs 会返回调用次数）。

技术栈

mcp >= 1.2（兼容 mcp 1.x FastMCP 和 mcp 2.x MCPServer）、pdfplumber、openpyxl。pandas 是可选项——如果缺少该依赖，软件包会回退到轻量级的行列表格（使用标准库 CSV/JSON 和 openpyxl），从而缩小可分发软件包的体积。Python 3.10+。