mcpField
P
pdf-word-reader-zh

pdf-word-reader-zh

github.com/20041002liu-cloud文档处理5161 次安装33 周前更新
代码仓库

关于 pdf-word-reader-zh

pdf-word-reader-zh 是一项文档处理技能，可将 PDF 和 DOCX 转为提取文本、带证据索引的文本块及分析报告框架。它也支持先将 PPTX 转为 PDF，并为文本较少的 PDF 提供 OCR 回退。

主要功能

  1. 01提取 PDF 页面文本和表格
  2. 02提取 DOCX 段落和表格
  3. 03先将 PPTX 转为 PDF 再提取
  4. 04以稳定 ID 对文本分块
  5. 05生成证据索引和报告框架

适用场景

  1. 01为基于证据的分析准备报告
  2. 02从办公文档提取文本和表格
  3. 03使用分块引用审阅长文档

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/20041002liu-cloud/pdf-word-reader-zh --skill pdf-word-reader-zh

安装后在 Claude Code 中输入/pdf-word-reader-zh确认已加载。

包含的文件

除 SKILL.md 外，安装时一起下载的参考资料和脚本。

README.md
requirements.txt
agents/
openai.yaml
scripts/
extract_docx.py
extract_pdf.py
prepare_document_context.py

详细介绍

PDF Word Reader ZH

用途

将文档路径转换为三种分析产物：

  • 结构化提取结果
  • 分块证据索引
  • 理解报告框架

当输出质量需要可追溯的证据，而不只是简短摘要时，请使用此技能。

输入支持

  • .pdf
  • .docx
  • .pptx（请先转换为 PDF）

使用此技能前，请先将 .doc 转换为 .docx。

单命令执行

python scripts/prepare_document_context.py "<input-file>" --output-dir "output/document-understanding"

决策流程

  1. 根据扩展名检测输入类型。
  2. 如果是 .pptx，则转换为 PDF：
  • 优先使用可用的 soffice。
  • 在 Windows 上，回退到 Microsoft PowerPoint COM。
  1. 提取内容：
  • PDF：提取页面文本和表格；文本较少的页面使用 OCR 作为回退方案。
  • DOCX：提取段落和表格。
  1. 规范化长文本，并将其分块为稳定的块 ID（C001、C002……）。
  2. 生成带有证据索引的理解框架。

输出约定

将以下文件写入输出目录：

  • 01_extracted.json
  • 02_chunks.json
  • 03_understanding_report.md
01_extracted.json

必须包含：

  • source_file
  • file_type
  • full_text
  • 结构字段（pages 或 paragraphs/tables）
  • 可用时包含警告和运行时元数据
02_chunks.json

必须包含：

  • chunk_count
  • chunks[]，包含以下字段：
  • chunk_id
  • char_count
  • estimated_tokens
  • text
03_understanding_report.md

必须包含：

  • 文档概况
  • 关键内容
  • 分块证据索引
  • 最终分析的交付模板

推荐参数

  • --disable-ocr：禁用 OCR 回退
  • --max-pages N：快速核验前 N 页
  • --fail-on-empty：未提取到文本时停止

错误处理规则

如果转换或提取失败：

  1. 返回具体原因（缺少依赖、不支持的格式或转换错误）。
  2. 提供确切的后续操作（安装命令或格式转换步骤）。
  3. 不得捏造提取内容。

如果提取的文本质量较低：

  1. 在输出元数据中保留警告。
  2. 使用现有文本继续分块。
  3. 在报告中明确标记不确定性。

依赖基线

安装 Python 依赖：

python -m pip install -r requirements.txt

推荐的系统工具：

  • tesseract + chi_sim
  • pdftoppm（Poppler）
  • soffice（LibreOffice），或 Microsoft PowerPoint（Windows）

最终分析规则

根据输出产物生成最终结论时：

  1. 撰写结论前，阅读所有文本块。
  2. 为关键主张引用块 ID，例如 [C003][C011]。
  3. 将事实与假设分开。
  4. 列出缺失的证据和未解决的问题。
  5. 确保数值主张与提取的文本完全一致。

最简示例

PDF：

python scripts/prepare_document_context.py "./report.pdf" --output-dir "./out"

DOCX：

python scripts/prepare_document_context.py "./report.docx" --output-dir "./out"

PPTX：

python scripts/prepare_document_context.py "./slides.pptx" --output-dir "./out"

评论

支持 Markdown