AlphaMoatによると、2026-10時点でPDF识别提取专家のダウンロード数は54,975、スター数は32で、累計ダウンロード数で今回のランキング対象AIスキル10,914件中446位、オフィス効率化では909件中68位です。
一覧の初期表示は累計ダウンロード数順で、スター数順にも並べ替えできます。詳細ページの順位は累計ダウンロード数で計算しています。
| プラットフォーム | ダウンロード数 | スター数 | コメント |
|---|---|---|---|
| SkillHub ↗ | 5.5万 | 32 | — |
プラットフォームごとに集計方法と集計時点が異なります。
当用户需要从 PDF、图片、扫描件中提取文字内容时使用。适合处理合同、发票、报告等文档,尤其是中文扫描件、手机拍照的弯曲页面、歪斜的文档。支持 PP-OCRv6 三档模型 (Tiny/Small/Medium)。
| 月 | ダウンロード数 | 前月比 | スター数 |
|---|---|---|---|
| 2026-10 | 5.5万 | — | 32 |
| 2026-09 | 2.1万 | — | 28 |
作者が公開した元のファイルをテキストのまま表示しています。AlphaMoat による編集や審査はしていません。リンクはクリックできません。コマンドは内容を確認してから実行してください。取得日 2026-11-20。
--- name: pdf-ocr-md version: 3.5.1 description: 当用户需要从 PDF、图片、扫描件中提取文字内容时使用。适合处理合同、发票、报告等文档,尤其是中文扫描件、手机拍照的弯曲页面、歪斜的文档。支持 PP-OCRv6 三档模型 (Tiny/Small/Medium)。 related_skills: - docx # 提取内容→Word 文档 - pptx-memslides # 提取内容→演示文稿 - mailwise # 作为邮件附件上下文 - ima-skills # 上传到知识库 - ocr-and-documents
---
# pdf-ocr-md — PDF → OCR → 结构化 Markdown [v3.5.1]
## 版本记录
- v3.5.1 (2026-11-18):修正外部机器反馈的两类文档缺陷——**环境表改为描述「标准安装后应有的状态」**(删单机磁盘快照断言,补探测列与「路径非唯一解」声明);**T6 判据重写**(原「不存在+⚠️ 即 PASS」等于永不失败,现 5 条独立检查,负向用例 5/5 命中);**回退顺序全文统一为 modelscope → hf-mirror → GitHub**(以脚本实际为准)
- v3.5.0 (2026-11-18):合并外部机器的完整可用性验证结论(19 项问题清单)——修复依赖检测粒度、输出路径语义歧义、`--device` 默认值、PDF 渲染后端、字符字典未初始化崩溃、**Windows 中文路径读图失败**;补齐 `scripts/download_models.sh`、`scripts/pdf2md.py` 与 `tests/smoke_test.py`;明确「扫描件判定规则」与「关键字段必须走 PaddleOCR」硬约束;模型体积与性能数据按实测校准
- v3.4.2 (2026-09-14):环境表补齐各工具的标准位置与探测方法(此前只写单台机器的磁盘快照,易误导其他使用者)
- v3.4.1 (2026-08-05):修复 PP-OCRv6 字典错位 bug(乱字符→正确识别);补齐 poppler/ImageMagick 依赖
- v3.4.0:SKILL.md 精简至 ~120 行(原 578 行),详细教程移至 references/,按需加载。
## 环境
> **本节描述「标准安装后应有的状态」,不是任何一台机器的磁盘快照。** 各机安装路径不同属正常——按「探测」列定位自己的环境,不要照抄别人机器的绝对路径,更不要因某个路径在本机不存在就认为它本不该存在。
| 工具 | 用途 | 标准位置(应存在) | 探测命令(找不到时用它定位) |
|------|------|-----------------|---------------------------|
| `lit` | 文本层 PDF 快速解析(Rust) | 随 Python 装出,在 `Scripts/lit`(Windows)或 `bin/lit`(POSIX) | `where lit` / `which lit`;无则 `pip show liteparse` |
| `ocr6` | PP-OCRv6 三档 OCR(快速全文预览) | 模型在 `~/.workbuddy/.venvs/ppocrv6_models/`;推理环境为任意装了 `onnxruntime`+`cv2` 的 venv | `bash scripts/download_models.sh --check all` 验模型;`python -c "import onnxruntime"` 验环境 |
| `pdf2md` | PaddleOCR v4 关键字段通道 | venv 在 `~/.venvs/paddleocr/`(或自建同名 venv) | `python -c "import paddle, paddleocr"` 验环境 |
| `prep` | 文档预处理(倾斜/方向/展平) | 同 ocr6(共用 `cv2`/`numpy`) | `python -c "import cv2, numpy"` |
> **两个 venv 路径不是唯一解**:`~/.venvs/liteparse/`、`~/.venvs/ppocrv6/` 只是常见约定路径;PP-OCRv6 推理环境在本技能的实现中落在 `~/.workbuddy/.venvs/ppocrv6/`,LiteParse 则随宿主 Python 安装。**判断标准是「能不能 import / 能不能跑」,不是「目录在不在某个固定位置」。**
>
> 上述四个命令是**逻辑入口名**,对应本技能包内的脚本(`scripts/pdf_ocr_v6.py` / `scripts/pdf2md.py` / `scripts/pdf_preprocess.py`)。若 PATH 中没有对应可执行文件,用 `python scripts/<名字>.py` 调用即可,无需安装 wrapper。
### 安装后自检(先跑这段,再干活)
```bash
# ① 依赖
python -c "import cv2, numpy, onnxruntime, fitz; print('deps OK')" # PP-OCRv6 通道
python -c "import paddle, paddleocr; print('paddle OK')" # PaddleOCR 通道
# ② 命令入口
lit --version
# ③ 模型(三档应全部 OK)
python scripts/pdf_ocr_v6.py --tier tiny --device cpu -i probe.png
python scripts/pdf_ocr_v6.py --tier small --device cpu -i probe.png
python scripts/pdf_ocr_v6.py --tier medium --device cpu -i probe.png
```
> ⚠️ **pip 返回 0 ≠ 装成功**:企业环境的安全守卫会拦截 pip 的文件写入,`pip install` 退出码为 0 但 `import` 必然失败。**唯一可靠的判据是 import 成功 + 最小推理跑通**(即上面的 ③)。
### 系统依赖(Windows)
| 依赖 | 版本 | 用途 | 安装 |
|------|------|------|------|
| PyMuPDF | 1.27+ | **PDF 渲染首选**(纯 PyPI,免 poppler)| `pip install PyMuPDF` |
| poppler | 25.07.0 | pdf2image 的 PDF→图(回退方案)| winget(用户 PATH 已写入,新终端生效) |
| ImageMagick | 7.1.2-29 | LiteParse OCR 的图像转换 | winget MSIX(magick.exe 别名) |
| Tesseract | 5.4 + chi_sim | LiteParse OCR 中文引擎 | 已有 `C:\Program Files\Tesseract-OCR\` |
> ⚠️ poppler 需要**新终端**才能被 PATH 找到;且 winget 装 poppler 会从 GitHub 下载,国内常失败 → **优先用 PyMuPDF**。
## 快速选择(必读)
```bash
# ① 先试 LiteParse(文本层 PDF 秒出)
lit parse input.pdf --no-ocr -o output.txt
# ② 判定扫描件:去掉分页标记与页码后,若无实质文字 ⇒ 扫描件
# 实测:lit 对扫描件输出 "\n--- Page 1 ---\n1\n\n--- Page 2 ---\n2\n"
# 判定 = 剔除 "--- Page N ---" 与纯数字行后,是否还有文字
# ③ 扫描件走 PP-OCRv6(三档:tiny 6.3MB / small 31MB / medium 133MB)
python scripts/pdf_ocr_v6.py input.pdf --tier small --device cpu -o ./output
# ④ 低质量文档先预处理(deskew倾斜/orient方向/unwarp展平/--all全部)
python scripts/pdf_preprocess.py input.pdf -o ./preprocessed --all
python scripts/pdf_ocr_v6.py ./preprocessed/input_p001.jpg --tier medium --device cpu -o ./output
# ⑤ 关键字段(金额/编号/公章/签名)→ 走 PaddleOCR v4,不要用 PP-OCRv6
python scripts/pdf2md.py input.pdf -o ./output
```
### 档位选择阈值
| 情形 | 用哪档 | 依据 |
|------|--------|------|
| 快速通读全文、只需大致内容 | tiny | 0.5s/页,够用 |
| 常规合同/报告正式存档 | **small** | 默认档,性价比最高 |
| 小字号、密集表格、扫描质量差 | medium | 精度最高 |
| **任何含金额/编号/签章的正式用途** | **不用 PP-OCRv6,走 `pdf2md`** | tiny/medium 金额还原 0/12 |
### ⚠️ 硬约束:哪些字段不能交给 PP-OCRv6
**实测(12 页扫描件压测)**:金额 `12,345.67` 的还原率 —— PP-OCRv6 tiny **0/12**、medium **0/12**;PaddleOCR v4 **12/12**。
| 内容 | 走 PP-OCRv6 | 走 PaddleOCR v4 |
|------|-------------|----------------|
| 正文/普通文字 | ✅ 可用 | ✅ 可用 |
| **金额(千分位/小数)** | ❌ **实测 0/12** | ✅ 12/12 |
| **编号(合同号/单号)** | ❌ 不保证 | ✅ |
| **公章/签名** | ❌ 会乱码 | ✅ 基本正确 |
> PP-OCRv6 定位是**快速全文预览**,不是关键字段通道。涉及金额/编号/签章的正式用途,**必须用 PaddleOCR v4 复核**。
### `--device` 与输出路径
- `--device` 默认 **`cpu`**(原默认 gpu,但无 DirectML 会静默回退,易误判)。GPU 需先装 `onnxruntime-directml`(Intel/AMD)或 `onnxruntime-silicon`(Apple M)。
- `-o` 语义:**以 `.txt`/`.json` 结尾且输入为单图 → 输出该文件**(同名 `.json` 一并生成);**否则 → 输出目录**(内含 `<basename>.txt` + `<basename>.json`)。多页输入即使传 `-o result.txt` 也按目录处理并打印提示。
- `scripts/pdf2md.py` 的 `-o` **恒为输出目录**,固定生成 `<basename>.md` + `<basename>.json`。
### 输出结构(OCR 结果 JSON)
`pdf_ocr_v6.py` 输出的 JSON:
```json
{
"engine": "PP-OCRv6 tiny",
"model_size": "6.3 MB",
"pages": [
{
"page": 1,
"results": [
{
"text": "识别出的文字",
"confidence": 0.9632,
"box": [[592,537],[318,537],[318,509],[592,509]]
}
]
}
]
}
```
`pdf2md.py` 输出的 JSON(字段名不同,注意区分):
```json
{
"engine": "paddleocr-v4",
"model": "PP-OCRv4",
"source": "输入文件路径",
"dpi": 300,
"pages": [ { "page": 1, "results": [ { "text": "...", "confidence": 0.98, "box": [] } ] } ]
}
```
| 字段 | 适用 | 含义 |
|------|------|------|
| `pages[].page` | 两者 | 页码,从 1 开始 |
| `pages[].results[].text` | 两者 | 识别文本(按阅读顺序) |
| `pages[].results[].confidence` | 两者 | 置信度 0~1。**低置信度行必须人工复核** |
| `pages[].results[].box` | 两者 | 四点包围盒坐标(像素),可用于裁剪/复核定位 |
| `engine` | 两者 | 引擎标识,PP-OCRv6 形如 `PP-OCRv6 tiny`,PaddleOCR 形如 `paddleocr-v4` |
| `model_size` | 仅 PP-OCRv6 | 模型档位体积(tiny `6.3 MB` / small `31 MB` / medium `133 MB`) |
| `model` / `source` / `dpi` | 仅 PaddleOCR | 模型名 / 输入来源 / 渲染 DPI |
> `confidence` 高 **不等于** 识别对——实测中 PP-OCRv6 金额乱码时 confidence 仍显示 0.95+。置信度只作参考,**关键字段以 PaddleOCR 结果为准**。
## 工作流
```
输入文档
├── 有文本层 → lit parse --no-ocr(~15ms/页)
│ └── 剔除分页标记后无实质文字 ⇒ 转扫描件
└── 扫描件 → 先预处理(倾斜/方向/展平) → ocr6(tiny|small|medium)
└── 含金额/编号/签章 → 再走 PaddleOCR v4 复核
```
## 性能速查
| 类型 | 引擎 | 单页 | 17 页合同 |
|------|------|------|----------|
| 文本层 PDF | LiteParse | ~15ms | ~0.15s |
| 扫描件(极速) | PP-OCRv6 Tiny | ~0.5s | ~6s(12页实测)|
| 扫描件(均衡) | PP-OCRv6 Small | ~1-2s | ~2-4min(估)|
| 扫描件(高精度) | PP-OCRv6 Medium | ~1s | ~12s(12页实测)|
| 中文旧版 | PaddleOCR v4 | ~1.7s | ~20s(12页实测)|
> **数据来源**:文本层 ~15ms/页、tiny/medium/PaddleOCR 的 12 页耗时均为本机实测(2026-11-18);其余标注「估」。**PP-OCRv6 识别速度与 PaddleOCR v4 同量级,差别在关键字段准确率而非速度。**
> 准确率:PP-OCRv6 ~97%+(正文),预处理后 ~98%+。**关键字段(金额/编号/签章)以 PaddleOCR 为准。**
## 模型体积
| 档位 | 目录 | 实测体积 |
|------|------|---------|
| Tiny | `ppocrv6_onnx`(**不带 tier 后缀**)| 6.3 MB |
| Small | `ppocrv6_small_onnx` | 31 MB |
| Medium | `ppocrv6_medium_onnx` | 133 MB |
| **三档合计** | | **~170 MB** |
> 模型根目录:`~/.workbuddy/.venvs/ppocrv6_models/`。
> 下载:`bash scripts/download_models.sh all`(镜像优先,见 references/ppocrv6-guide.md)
> 只校验不下载:`bash scripts/download_models.sh --check all`(输出每档完整性 + 体积)
## 按需加载的参考文档
所有详细教程已移至 references/,需要时读取:
| 场景 | 参考文件 |
|------|---------|
| LiteParse 完整用法(Rust CLI/截图/批量) | `references/liteparse-usage.md` |
| PaddleOCR 旧版(v4,Python 3.13 兼容修复) | `references/paddleocr.md` + `references/paddleocr-py313-compat.md` |
| **pdf2md 关键字段通道(CLI + 安装)** | `references/pdf2md-guide.md` |
| 文档预处理详解(倾斜/方向/展平/效果预测) | `references/pdf-preprocessing.md` |
| 结构化解析(版面分析+表格提取+JSON) | `references/structured-parsing.md` |
| PP-OCRv6 完整指南(模型选择/GPU加速/迁移) | `references/ppocrv6-guide.md` |
| **国内网络适配与镜像源** | `references/network-and-troubleshooting.md` |
| 完整原版 SKILL.md(v3.3.0 全部内容) | `references/full-guide.md` |
| OpenDataLoader(纯 Java,已不推荐) | `references/opendataloader.md` |
## 回归测试
```bash
python tests/smoke_test.py
```
8 项用例:文本层提取、扫描件判定规则、中文测试图 OCR、多页页数一致、文档引用一致性、**环境表描述标准状态(非单机快照)**、pdf2md CLI 契约、关键字段硬约束留存。升级后先跑这个。
## 已知限制(v3.5.1 明确标注)
| 限制 | 说明 |
|------|------|
| PP-OCRv6 不做关键字段 | 金额/编号/签章 → 必须 `pdf2md` |
| 模型不自动下载 | 需手动跑 `scripts/download_models.sh` |
| `pdf2md` 需独立环境 | PaddleOCR v4 与 PP-OCRv6 依赖不兼容,须装在单独 venv(建议 Python 3.12);按 `references/pdf2md-guide.md` 建 |
| `pdf_parse_structured.py` 依赖 docling | docling 在部分环境装不上(pypdfium2 DLL 被拦),非必选链路 |
## 注意事项
- **模型不是首次运行自动下载**:PP-OCRv6 三档模型需**手动下载**(`bash scripts/download_models.sh all`,约 170 MB),默认不自动拉取。默认路径 `~/.workbuddy/.venvs/ppocrv6_models/`。
- **内存占用需实测**:OCR 任务建议串行执行,避免同时加载多个 OCR 引擎(每个引擎峰值 300MB-1GB,以本机实测为准)
- 预处理对平整扫描件效果不明显,对手机拍照/弯曲文档提升 1~5%
- **解释器建议**:PaddleOCR 优先用 **Python 3.12**;3.13 需按 `references/paddleocr-py313-compat.md` 打补丁
- **本机 pip 返回 0 ≠ 装成功**:企业安全守卫会拦截 pip 文件写入,唯一可靠判据是 import 成功 + 最小推理跑通
MCP 経由で Tencent Docs の文書を作成、編集、管理するための手順書です。
WPS Office 全家桶 - 四引擎(WPS/MS Office/LibreOffice/纯Python)智能识别用户已安装软件,纯Python模式支持排序/筛选/图表/公式/统计,含文档模板(代码生成)、最佳实践案例、故障排除大章(20+避坑+15 FAQ+15错误ID 统一索引)、自动重试、硬件自适应、环境自检、Skill更新提醒;v5.1新增:kingdoc云端桥接(白名单探测+配置预检+subprocess上传+差异检查)、条件格式/数据验证跨引擎IO(JSON中间格式保真往返)、会议纪要三段式要素化(待办清单+决策记录+风险异议)+说话人标注(MFCC聚类);v5.2新增:公文一键排版(GB/T 9704 规则库约束+结构识别套版+红头预留位+联合行文)、批量水印与敏感信息打码(身份证/手机号/银行卡/邮箱双轨识别+黑色矩形覆盖+打码清单)、跨文档知识检索与问答(本地TF-IDF零依赖+跳转+可选zwjh记忆桥接);删除:与contract-review重复的轻量合同审查模块,改为文档互链引导;v5.2.5修复:MS Office引擎下Excel/PPT创建必然失败(错用Word COM对象),新增get_ms_excel/get_ms_ppt及三槽位统一释放release_ms,MS Office路径透传filepath参数;v5.3.5修复:SKILL.md frontmatter 修复 tags 块序列误混入联系方式行导致标准 YAML 解析失败;v5.4.0新增:留存型功能——定时任务与报告中心(schedule_register 升级为三平台统一调度层 schtasks/cron/launchd,错过策略 skip/run_once,注册表 JSON 可导出导入;新建 report_center.py 报告中心,templates/reports/*.json 参数化模板 + ECharts 单文件 HTML 输出(图表内联、无服务端、双击即开);report_generator 升级支持 --format html;wps.py CLI 统一埋点 SQLite,自动供 report_center 生成周度使用摘要附在报告末尾;watch.py 职责收窄为纯事件采集);v5.3.0新增:统一CLI入口 wps(registry.json注册表分发,office --app/--action 与 convert 子命令、--list 一屏列出全部命令,薄路由层不改脚本内部逻辑)、全命令 --json 机器可读输出(固定 ok/error_id/elapsed/data 四字段,对齐 E001-E015,wps_error.py 新增 emit_json 统一出口)、_worker 启动优化(wps_pure 改惰性加载,pywin32/python-docx/openpyxl 经核查已惰性导入,ENGINE_CACHE 进程级单例复用,COM 释放统一走 release_ms 三槽位)、转换三入口合并为 convert(format_converter/md_converter/wps_docx_to_ppt 内部按目标格式路由,旧脚本保留为兼容别名并提示新命令,v6.0.0 移除)
テーマとスタイルから PPT 資料を自動生成するスキルです。
体制内资深办公室主任+管理学博士,自学编程开发的智能公文写作Skill,让所有办公室同仁少掉头发、少加无用的班,材料一稿过关,省下的时间留给自己、享受生活!————————我们能给你带来的核心价值:1、颠覆传统写作:逻辑建模38类公文全链条,特有模板化引导问答模式,分分钟省心生成高质量大稿。--------2、替你“向上管理”:独有审稿人画像机制,文稿一键结构性修改,精准匹配审稿人画像,过稿率提升至少10倍!----------3、杜绝AI编造:缺失的数字、文号、人名、日期一律用[待补]标注,绝不杜撰,守住公文底线。-----------4、算法格式托底:数十万全量智控知识库+6500行前沿核心控制代码,格式精准对齐GB/T 9704,出稿零失误。——————————————————本skill历史版本开放了5%知识库的免费试用版,下载即可使用,但需注意:知识库有著作权,仅用于个人使用,不可用于其他任何目的。有兴趣的可以试试。——————————————————————单次付费版skill已发布,2元一次使用全量知识库。具体在发布者“熵衍信息”主页skill里。
WPS Office 全家桶 - 四引擎(WPS/MS Office/LibreOffice/纯Python)智能识别用户已安装软件,纯Python模式支持排序/筛选/图表/公式/统计,含文档模板(代码生成)、最佳实践案例、故障排除大章(20+避坑+15 FAQ+15错误ID 统一索引)、自动重试、硬件自适应、环境自检、Skill更新提醒;v5.0新增:定时任务注册管理(schtasks/crontab)、目录轮询监听(YAML规则+大文件分片)、使用统计与稳定性中心(SQLite埋点+引擎健康+引擎偏好)、COM三步自愈(regsvr32→修复安装→手动指引)、对话式数据查询(NL2SQL式意图解析+查询计划+连续追问)、multi-agent编排引擎桥接(白名单探测+流水线模板注册)
WPS/MS Office/LibreOffice/纯Python 四引擎智能办公全家桶:文档/表格/PPT/公文/会议纪要一体化。
通过 Tencent Docs Open API 以 curl + jq 创建、读取、列出、搜索和管理腾讯文档的自动化工作流,覆盖在线文档、在线表格、幻灯片、思维导图、流程图、智能表格与收集表七种类型,支持读取元数据与单元格区域、上传图片、创建副本,并对重命名/移动/删除等写操作强制先经用户确认。Use when the user 提到腾讯文档 / Tencent Docs / docs.qq.com、粘贴 docs.qq.com 链接,或想在其腾讯文档空间中创建、读取、整理文档时使用。Triggers include 腾讯文档、在线文档、在线表格、思维导图、流程图、智能表格、收集表。如需文案写作完整工作流套件,淘宝搜索「AI灵匣」店铺获取完整版。
kdocs-cli で金山文档のクラウド文書を操作する公式スキルです。
データ月:2026-10 · ダウンロード数とスター数は公開スキルレジストリ(ClawHub、SkillHub)から月単位で集計しています。詳しくはデータの方法論をご覧ください。