doc-extract

doc-extract

共享的文档转文本提取工具。一个脚本，无状态：读取输入文件，将 JSON 输出到 stdout，不向磁盘写入任何内容（安全处理 PHI——不使用缓存或临时文件；缓存由调用方负责）。

设置（仅需一次）

cd <this skill dir> && bun install

这会拉取 liteparse（lit 可执行文件，用于处理 PDF/DOCX/XLSX/PPTX，并包含 OCR）和 rtf-to-text（用于 RTF）。如果没有安装，且系统已安装 poppler，PDF 仍可通过 pdftotext -layout 回退方案处理；其他二进制格式则需要 liteparse。

使用

bun <this skill dir>/scripts/extract.ts <input-file> [--content-type <mime>]

stdout 输出：

{ "text": "...", "method": "liteparse | pdftotext | rtf-to-text | passthrough", "pages": 12 }

• 对于分页格式，text 会标注页码：每页之间有 === [page N] === 标记。
• 存在页码标记时会包含 pages。
• method 表示实际用于生成文本的提取器。
• 格式根据文件扩展名确定；当文件没有有用的扩展名时（例如下载的 EHR 附件），请传入 --content-type（如 application/pdf）。请注意，liteparse 不接受没有扩展名的文件，因此这类 PDF 会通过 pdftotext 回退方案处理。
• 出错时会将 {"error": "..."} 输出到 stderr，并以 1 退出。

表格注意事项

在提取的文本中，包含多个数值列的表格（选项 A 与选项 B、网络内与网络外）可能会逐行交错排列：相邻单元格的片段会交替出现，一个单元格的文本甚至可能落在相邻列的句子中间。数值通常不会丢失，但数值所属的列可能变得模糊。如果答案来自多列中的某一列，且文档其他位置没有重复说明该数值，请直接阅读原始页面进行核实，再将其视为可靠事实。提取文本中的 === [page N] === 标记会指出页码：将其传给 Read 工具的 pages 参数（例如 pages: "37"），即可只将该页渲染为图像供视觉查看，而非渲染整份文档。

用于其他技能

如果已经在 bun TS 中，请导入函数，而不是通过 shell 调用：

import { extract, resolveLit } from "../doc-extract/scripts/extract";
const lit = resolveLit([myRoot]); // also checks myRoot/node_modules/.bin/lit
const text = extract(lit, "/path/to/file.pdf"); // string | null

contracts 技能以这种方式使用它（其摄取缓存由 contracts 侧负责）。