pdf-parsing

# PDF解析 Skill

## 数据来源

本 Skill 支持多种PDF文档输入格式，核心数据来源包括：

### 1. PDF文档类型
- **文本型PDF**：可提取文本的标准PDF文档
- **扫描型PDF**：扫描图片生成的PDF文档
- **混合型PDF**：包含文本和图片的PDF文档
- **加密PDF**：需要密码的加密PDF文档

### 2. 文档内容类型
- **金融报告**：年报、季报、研究报告、公告
- **合同协议**：贷款合同、担保合同、投资协议
- **法律文档**：法律意见书、合规文件
- **业务文档**：业务说明、产品介绍

### 3. 文档特征
- **语言类型**：中文、英文、多语言混合
- **版式类型**：标准版式、复杂版式、双栏版式
- **文档大小**：小文档（<10MB）、大文档（>10MB）

### 4. 数据格式要求
- **文件路径**：本地文件路径或网络文件URL
- **文件编码**：UTF-8、GBK、GB2312等
- **文件权限**：需要读取权限

> 说明：本 Skill 不包含文档采集功能，需要用户提供PDF文档文件。建议文档格式规范，以便进行准确的解析。

---

## 功能

本 Skill 提供全面的PDF文档解析能力，涵盖多种解析功能：

### 1. 文本提取
- **正文提取**：提取PDF正文内容
- **标题提取**：提取各级标题
- **段落提取**：提取段落内容
- **列表提取**：提取有序列表和无序列表

### 2. 结构识别
- **章节层级**：识别PDF的章节层级结构
- **目录识别**：识别和提取PDF目录
- **书签识别**：提取PDF书签结构
- **页面结构**：识别页面的布局结构

### 3. 表格识别
- **表格提取**：识别和提取表格内容
- **表格结构**：识别表格的行列结构
- **表格格式**：保留表格的格式信息
- **表格定位**：记录表格在文档中的位置

### 4. 图表识别
- **图片提取**：提取PDF中的图片
- **图表识别**：识别图表类型和内容
- **图表定位**：记录图表在文档中的位置
- **图表描述**：生成图表的文字描述

### 5. OCR识别
- **OCR文本识别**：对扫描PDF进行OCR识别
- **OCR表格识别**：对扫描表格进行OCR识别
- **OCR图片识别**：对图片中的文字进行识别
- **多语言OCR**：支持多语言OCR识别

### 6. 格式信息提取
- **字体信息**：提取字体、字号、颜色等信息
- **段落格式**：提取段落对齐、缩进等信息
- **元数据提取**：提取PDF属性、作者、创建时间等
- **页面信息**：提取页面大小、页边距等信息

### 7. 高级处理功能
- **版式还原**：尽可能还原PDF的原始版式
- **双栏识别**：识别和处理双栏版式
- **水印处理**：识别和处理水印内容
- **结构化输出**：输出结构化的文档内容

---

## 使用示例

### 输出示例
```json
{
  "document_info": {
    "filename": "document.pdf",
    "file_size": 2048000,
    "page_count": 50,
    "language": "zh-CN",
    "created_date": "2024-01-15",
    "modified_date": "2024-03-20",
    "encrypted": false
  },
  "structure": {
    "title": "2024年度报告",
    "bookmarks": [
      {
        "level": 1,
        "title": "第一章 公司概况",
        "page": 1,
        "children": [
          {
            "level": 2,
            "title": "1.1 公司基本信息",
            "page": 1
          }
        ]
      }
    ],
    "sections": [
      {
        "level": 1,
        "title": "第一章 公司概况",
        "content": "公司概况内容...",
        "page": 1,
        "subsections": [
          {
            "level": 2,
            "title": "1.1 公司基本信息",
            "content": "基本信息内容...",
            "page": 1
          }
        ]
      }
    ]
  },
  "tables": [
    {
      "table_id": 1,
      "position": {
        "page": 5,
        "bbox": [100, 200, 500, 400]
      },
      "rows": 10,
      "columns": 5,
      "data": [
        ["项目", "2024年", "2023年", "2022年", "2021年"],
        ["营业收入", "1000", "900", "800", "700"]
      ]
    }
  ],
  "images": [
    {
      "image_id": 1,
      "position": {
        "page": 8,
        "bbox": [150, 300, 450, 500]
      },
      "format": "png",
      "size": [800, 600]
    }
  ],
  "metadata": {
    "author": "张三",
    "company": "示例公司",
    "keywords": ["年报", "财务报告"]
  }
}
```

---

## 注意事项与限制

### 1. 文档格式要求
- 支持标准PDF格式文档
- 复杂版式可能影响解析准确性
- 扫描PDF需要OCR功能支持

### 2. 解析准确性
- 文本型PDF文本提取准确率较高
- 表格识别对复杂表格可能有限
- OCR识别准确率受图片质量影响

### 3. 性能考虑
- 大PDF处理可能需要较长时间
- 内存占用与PDF大小成正比
- 建议对超大PDF进行分页处理

### 4. OCR限制
- OCR识别需要图片质量良好
- 手写文字识别准确率较低
- 多语言OCR需要相应语言包

### 5. 使用限制
- 本 Skill 不包含PDF编辑功能
- 解析结果需要人工复核
- 受保护PDF可能无法解析

---

## 参考资料
- 见 references/ 目录中的相关文档，包括：
  - PDF解析方法手册
  - OCR识别算法说明
  - 表格识别使用指南
  - 性能优化指南

## License
- 本 skill 代码部分采用 MIT License，详见 `LICENSE` 文件
- 依赖与运行环境以 `requirements.txt` 为准
- 文档内容采用 CC BY 4.0 许可