yejinlei

pdf-ocr

办公效率v2.2.0
作者:yejinlei更新于 2026-05-17pdf-ocr-skill@clawhub_yejinlei/pdf-ocr-skill
文档处理PDF 处理#PDF#Chinese#DeepSeek#English#Local OCR

据 AlphaMoat 统计,截至 2026-10,pdf-ocr 累计下载 9,304 次、获 3 个星标,按累计下载量在本次参与排名的 10,914 个 AI 技能中排名第 2,963 位,在「办公效率」分类(909 个)中排名第 328 位。

列表默认按累计下载量排序,也可按星标排序;详情页排名按累计下载量计算。

累计下载
9,304
星标
3
全站下载量排名
#2,963
全站前 28% · 「办公效率」前 37%
平台累计下载星标评论
ClawHub ↗1,9031-
SkillHub ↗9,3043—

各平台的计数口径不同,统计时间不一致。

这个技能是做什么的

RapidOCR 本地引擎免费、无需 API Key,走快速识别;硅基流动大模型在云端跑,用于更高精度的场景。可处理 JPG、PNG、BMP、GIF、TIFF、WEBP 等图片格式。

资料发布于 2026-10-29

可以用来做什么

  • 把扫描版合同 PDF 转成可检索文本
  • 批量识别截图和照片里的文字

什么时候用

  • PDF 是影印版、没有文字层时
  • 要在本地离线识别文字时

示例提示词

以下是根据技能文档生成的示例,不代表实际运行结果。

把这份扫描 PDF 的文字提取出来
识别这几张图片里的文字,用本地引擎

月度数据趋势

累计下载9,304
8515,3919,9302026-03 · 累计下载 1,4772026-05 · 累计下载 2,8932026-07 · 累计下载 3,7252026-08 · 累计下载 4,0312026-09 · 累计下载 5,0472026-10 · 累计下载 9,30426-0326-0926-10
星标3
1232026-03 · 星标 12026-05 · 星标 22026-07 · 星标 32026-08 · 星标 32026-09 · 星标 32026-10 · 星标 326-0326-0926-10

2026-09 起统计方法调整:同名技能按作者分别统计,并覆盖全部技能。图中虚线为调整前的月份,与之后的数据不直接比较,也不计算跨越调整的增长。

月份累计下载环比星标
2026-109,304—3
2026-095,047—3
2026-084,031+8.2%3
2026-073,725—3
2026-052,893—2
2026-031,477—1

SKILL.md 原文

以下是作者发布的原始文件,按纯文本显示,本站未做修改或审核;其中的链接不可点击,命令请核实后再运行。抓取于 2026-10-23。

9.1 KB · ClawHub v2.2.0
---
name: pdf-ocr
description: 支持双引擎的PDF OCR识别技能,可从影印版PDF文件和图片文件中提取文字内容
version: 2.1.0
author: PDF OCR Skill Team
license: MIT
tags:
  - ocr
  - pdf
  - image
展开全部(共 318 行)
  - text-extraction
  - chinese
  - english
  - siliconflow
  - deepseek
  - rapidocr
  - local-ocr
---

# PDF OCR Skill

PDF OCR技能用于从影印版PDF文件和图片文件中提取文字内容。该技能支持两种OCR引擎:
- **RapidOCR**(本地引擎):无需API密钥,免费使用,识别速度快
- **硅基流动大模型**(云端引擎):使用AI大模型进行高精度OCR识别

## 功能特性

- 支持影印版PDF文件的文字提取
- 支持多种图片格式的文字识别(JPG、PNG、BMP、GIF、TIFF、WEBP)
- **双引擎支持**:RapidOCR(本地)和硅基流动API(云端)
- 支持中文和英文文字识别
- 保持文字的顺序和结构
- 自动将PDF页面转换为图片进行识别
- 智能引擎切换:当RapidOCR初始化失败时自动切换到硅基流动API

## 安装

### 依赖要求

```bash
pip install pymupdf pillow requests python-dotenv
```

### 可选依赖(推荐)

安装RapidOCR以获得本地识别能力:

```bash
pip install rapidocr_onnxruntime
```

## 环境变量配置

1. 复制 `.env.example` 文件并重命名为 `.env`
2. 根据需要配置以下选项:

```env
# OCR引擎选择
# - "rapid": 使用RapidOCR本地引擎(默认,无需API密钥)
# - "siliconflow": 使用硅基流动API引擎(需要API密钥)
OCR_ENGINE=rapid

# 如果使用硅基流动API引擎,需要配置以下选项:
SILICON_FLOW_API_KEY=your_api_key_here
SILICON_FLOW_OCR_MODEL=deepseek-ai/DeepSeek-OCR
```

## 快速开始

### 使用默认引擎(RapidOCR本地识别)

```python
# 导入OCR处理器
from scripts.pdf_ocr_processor import PDFOCRProcessor

# 创建处理器实例(默认使用RapidOCR)
processor = PDFOCRProcessor()

# 执行PDF OCR识别
result = processor.ocr_pdf('path/to/your/scanned.pdf')

# 获取识别结果
print(f"识别完成,共 {result['page_count']} 页")
print(f"使用引擎: {result['engine']}")
print(result['text'])
```

### 使用硅基流动API引擎

```python
# 导入OCR处理器
from scripts.pdf_ocr_processor import PDFOCRProcessor

# 创建处理器实例,指定使用硅基流动API
processor = PDFOCRProcessor(engine="siliconflow")

# 执行PDF OCR识别
result = processor.ocr_pdf('path/to/your/scanned.pdf')

# 获取识别结果
print(f"识别完成,共 {result['page_count']} 页")
print(result['text'])
```

### 识别图片文件

```python
# 导入OCR处理器
from scripts.pdf_ocr_processor import PDFOCRProcessor

# 创建处理器实例
processor = PDFOCRProcessor()  # 或 PDFOCRProcessor(engine="siliconflow")

# 执行图片OCR识别
result = processor.ocr_image_file('path/to/your/image.jpg')

# 获取识别结果
print(f"识别结果: {result['text']}")
```

### 命令行使用

```bash
# 使用默认RapidOCR引擎
python pdf_ocr_processor.py your_document.pdf

# 使用硅基流动API引擎
python pdf_ocr_processor.py your_document.pdf siliconflow
```

## 进阶使用示例

### 批量处理多个PDF文件

```python
import os
from pdf_ocr_processor import PDFOCRProcessor

# 创建处理器实例
processor = PDFOCRProcessor()

# 批量处理目录中的所有PDF文件
pdf_dir = "path/to/pdf/files"
output_dir = "path/to/output"
os.makedirs(output_dir, exist_ok=True)

for pdf_file in os.listdir(pdf_dir):
    if pdf_file.endswith('.pdf'):
        pdf_path = os.path.join(pdf_dir, pdf_file)
        output_path = os.path.join(output_dir, f"{os.path.splitext(pdf_file)[0]}.txt")
        
        print(f"处理文件: {pdf_file}")
        try:
            result = processor.ocr_pdf(pdf_path)
            
            # 保存识别结果到文本文件
            with open(output_path, 'w', encoding='utf-8') as f:
                f.write(f"=== PDF OCR 识别结果 ===\n")
                f.write(f"文件名: {pdf_file}\n")
                f.write(f"页数: {result['page_count']}\n")
                f.write(f"使用引擎: {result['engine']}\n\n")
                f.write(result['text'])
            
            print(f"处理完成,结果已保存到: {output_path}")
        except Exception as e:
            print(f"处理失败: {e}")
```

### 混合使用两种引擎

```python
from pdf_ocr_processor import PDFOCRProcessor

def process_with_best_engine(pdf_path):
    """尝试使用RapidOCR,如果效果不佳则使用硅基流动API"""
    # 首先使用RapidOCR本地引擎
    rapid_processor = PDFOCRProcessor(engine="rapid")
    rapid_result = rapid_processor.ocr_pdf(pdf_path)
    
    # 简单评估识别效果(例如:检查识别出的文本长度)
    text_length = len(rapid_result['text'])
    
    if text_length < 100:  # 如果识别出的文本太短,可能效果不佳
        print("RapidOCR识别效果可能不佳,尝试使用硅基流动API...")
        silicon_processor = PDFOCRProcessor(engine="siliconflow")
        silicon_result = silicon_processor.ocr_pdf(pdf_path)
        return silicon_result
    else:
        return rapid_result

# 使用示例
result = process_with_best_engine('path/to/your/document.pdf')
print(f"识别完成,使用引擎: {result['engine']}")
print(result['text'])
```

## 支持的文件格式

- **PDF文件**: .pdf
- **图片文件**: .jpg, .jpeg, .png, .bmp, .gif, .tiff, .webp

## 输出格式

```python
{
    "text": "识别的完整文本内容",
    "page_count": 页数,  # 图片文件始终为1
    "engine": "rapid" | "siliconflow"  # 使用的OCR引擎
}
```

## 使用场景

- 处理扫描版合同、协议等文档
- 提取影印版书籍、报告中的文字
- 处理无法直接复制文字的PDF文件
- 批量处理扫描版PDF文档
- 识别截图、扫描件等图片中的文字
- 处理手写体或印刷体图片文字识别

## 注意事项

1. **RapidOCR引擎**:
   - 完全免费,无需网络连接
   - 首次使用会自动下载模型文件
   - 识别速度取决于CPU性能

2. **硅基流动API引擎**:
   - 需要有效的API密钥
   - 可能会产生费用
   - 识别速度取决于文件页数、图片大小和网络状况

3. 对于复杂的扫描版PDF或图片,识别准确率可能会有所不同
4. 建议使用高清晰度的扫描版PDF或图片以获得更好的识别效果

## 触发使用不同引擎的提示词

在与 AI IDE 中的助手交互时,您可以使用以下提示词来指定使用不同的 OCR 引擎:

### 📍 触发 RapidOCR(本地引擎)的提示词
- "使用本地 OCR 引擎处理这个 PDF"
- "用 RapidOCR 识别这个文件"
- "本地处理,不需要 API"
- "快速识别这个文档"
- "离线处理这个 PDF"
- "不使用硅基流动 API,用本地引擎"

### 📍 触发硅基流动 API(云端引擎)的提示词
- "使用硅基流动 API 处理这个 PDF"
- "用大模型 OCR 识别这个文件"
- "高精度识别这个文档"
- "处理复杂的扫描件"
- "用云端 OCR 引擎"
- "使用 AI 大模型识别"

### 📍 示例对话

**示例 1:使用本地引擎**
```
用户:帮我处理这个扫描版 PDF,用本地 OCR 引擎快速识别
助手:好的,我将使用 RapidOCR 本地引擎为您处理。请提供 PDF 文件路径。
```

**示例 2:使用云端引擎**
```
用户:这个 PDF 包含手写体,需要高精度识别,用硅基流动 API
助手:理解,我将使用硅基流动 API 大模型为您处理。请提供 PDF 文件路径和您的 API 密钥(如果尚未配置)。
```

**示例 3:自动选择**
```
用户:帮我识别这个 PDF,选择最合适的引擎
助手:我将默认使用 RapidOCR 本地引擎为您处理。如果识别效果不理想,我们可以尝试使用硅基流动 API。
```

### 🔧 技术实现

当 AI 助手接收到这些提示词时,会:

1. 解析用户意图,确定要使用的引擎
2. 调用 PDFOCRProcessor(engine="rapid") 或 PDFOCRProcessor(engine="siliconflow")
3. 执行 OCR 识别并返回结果

### 🎯 最佳实践

- **明确指定引擎**:如果您对引擎有特定要求,最好在提示词中明确说明
- **提供上下文**:说明文档类型(如手写体、复杂格式等)有助于助手选择合适的引擎
- **测试不同引擎**:对于重要文档,可以尝试两种引擎并比较结果

通过使用这些提示词,您可以在与 AI IDE 交互时灵活控制 OCR 引擎的选择,获得最佳的识别效果

## 故障排除

### 常见问题及解决方案

1. **RapidOCR初始化失败**
   - 问题:`ModuleNotFoundError: No module named 'rapidocr_onnxruntime'`
   - 解决方案:安装RapidOCR依赖:`pip install rapidocr_onnxruntime`

2. **硅基流动API 401错误**
   - 问题:`Unauthorized: 401 Client Error`
   - 解决方案:检查API密钥是否正确配置在`.env`文件中

3. **PDF转图片失败**
   - 问题:`ImportError: No module named 'fitz'`
   - 解决方案:安装PyMuPDF依赖:`pip install pymupdf`

4. **识别结果为空**
   - 问题:识别结果文本长度为0
   - 解决方案:
     - 检查PDF是否为扫描版(非文本PDF)
     - 尝试使用硅基流动API引擎
     - 确保PDF或图片清晰可读

## 许可证

MIT License - 详见 [LICENSE.txt](LICENSE.txt)

「办公效率」分类下的热门技能

腾讯文档 TENCENT DOCS办公效率

通过 MCP 在腾讯文档里新建、编辑与管理在线文档的完整操作手册。

↓ 218.4万★ 327u_b0de8114
WPS Office 全家桶办公效率

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)

↓ 76.7万★ 159user_1a470ba8
ppt-generator-skill办公效率

按主题与风格自动生成 PPT 文件的技能。

↓ 59.3万★ 346user_3b34947d
秘书材料星公文写作-妙笔skill办公效率

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。

↓ 57.8万★ 46u_70fc650d
WPS Office 全家桶办公效率

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)

↓ 50.8万★ 4user_814dbe54
WPS全家桶·办公管家.Skill办公效率

当用户要处理 Word/Excel/PPT、做文档模板与排版、批量合并图表、公文一键套红头、会议纪要要素化、或跨引擎办公自动化时,WPS全家桶·办公管家.Skill 立即出动。 四引擎智能识别已装软件(WPS/MS Office/LibreOffice/纯Python),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、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。 当用户提到批量水印、敏感信息打码(身份证/手机号/银行卡/邮箱)、跨文档检索问答等信号时,主动亮剑。

↓ 43.0万★ 2user_185644ed
腾讯文档在线协作自动化办公效率

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。

↓ 42.8万★ -u_1ea983ac
kdocs skill办公效率

通过 kdocs-cli 操作金山文档云文档的官方技能。

↓ 42.4万★ 128user_5ea84866

yejinlei 的其他技能

数据月份:2026-10 · 下载/星标数聚合自公开技能注册库(ClawHub、SkillHub),按月更新。口径说明见数据方法。