OCR and Documents

• Hai un PDF (digitale o scansionato) e hai bisogno di estrarne il testo per la sintesi, l'archiviazione o ulteriori analisi.
• Devi eseguire l'OCR su una fattura scansionata, un modulo o una foto di un documento ed estrarre i campi strutturati.
• Vuoi convertire un file DOCX in testo normale o markdown da utilizzare con un'altra skill o pipeline.
• Stai costruendo un passaggio di pre-elaborazione che alimenta il testo pulito del documento in un indice di ricerca o in un flusso di lavoro LLM.

• Il tuo input è un file PowerPoint/PPTX — instrada questi a uno skill dedicato alle presentazioni.
• I tuoi documenti scansionati sono a risoluzione molto bassa, fortemente inclinati o in una lingua non supportata; la qualità dell'OCR sarà scarsa e i risultati inaffidabili.
• Hai bisogno di una soluzione senza dipendenze e senza configurazione — questo skill richiede un ambiente Python e almeno una libreria per documenti/OCR.

Utilizza PyMuPDF o pdfminer per estrarre il testo direttamente da PDF nativamente digitali senza il sovraccarico dell'OCR, preservando il layout nel modo più fedele possibile.

Instrada PDF scansionati e foto di documenti attraverso Tesseract o un servizio OCR compatibile per recuperare il testo da contenuti basati su immagini.

Legge i file Microsoft Word tramite python-docx, estraendo la struttura di paragrafi e intestazioni in testo pulito o output in markdown.

Normalizza il contenuto estratto in testo semplice o markdown strutturato, rendendo l'output immediatamente utilizzabile da attività di riepilogo, indicizzazione o altre competenze a valle.

Seleziona automaticamente l'estrattore appropriato — livello di testo diretto, OCR o parser specifico per formato — in base al tipo di documento rilevato in fase di esecuzione.

Esegui l' OCR and Documents su una fattura scansionata o un modulo compilato e restituisci campi strutturati come nome del fornitore, importo e data di scadenza per l'elaborazione o l'archiviazione successiva.

Estrai il testo da un PDF di più pagine e passa il contenuto di ogni pagina a una skill di riepilogo, consentendo riassunti sull'intero documento senza copia-incolla manuale.

Analizza un documento Word e converte il suo contenuto in markdown, rendendolo pronto per una knowledge base, un sito statico o ulteriori modifiche in un flusso di lavoro basato su testo.

Estrai in batch il testo da una raccolta di file PDF e DOCX misti per produrre blocchi di testo puliti e normalizzati, adatti all'indicizzazione tramite ricerca vettoriale o full-text.