OCR and Documents

OCR and Documents는 AI 어시스턴트가 born-digital PDF, 스캔된 종이 문서, DOCX 파일 등 다양한 문서 형식에서 사용 가능한 텍스트를 읽고 추출할 수 있는 기능을 제공합니다. 원시 텍스트, 구조화된 마크다운, 또는 인보이스나 보고서에서 특정 필드를 추출해야 하는 경우에도 이 스킬은 문서를 깔끔한 출력물로 전처리하여 다른 스킬과 워크플로우에서 활용할 수 있도록 합니다.

이 스킬은 문서 유형에 따라 적절한 추출 전략을 선택합니다. 텍스트 기반 PDF는 PyMuPDF 또는 pdfminer와 같은 라이브러리를 사용하여 빠르게 처리됩니다. 스캔 문서 및 이미지가 많은 파일은 OCR 파이프라인(예: Tesseract 또는 호환 OCR 서비스)을 통해 처리됩니다. DOCX 파일은 python-docx를 사용하여 파싱됩니다. 추출된 콘텐츠는 일반 텍스트 또는 구조화된 마크다운으로 정규화되어 요약, 인덱싱, 아카이빙 또는 후속 스킬에 의한 추가 분석에 바로 사용할 수 있습니다.

• 디지털 PDF 추출 — PyMuPDF 또는 pdfminer를 사용하여 born-digital PDF에서 빠르고 정확하게 텍스트를 추출합니다.
• 스캔 문서 OCR — Tesseract 또는 호환 OCR 서비스를 통해 스캔된 PDF 및 문서 사진의 텍스트를 인식합니다.
• DOCX 파싱 — python-docx를 사용하여 Microsoft Word 파일에서 콘텐츠를 추출하며, 가능한 경우 구조를 보존합니다.
• 마크다운 또는 일반 텍스트 출력 — 요약, 검색 또는 아카이빙 파이프라인에 적합한 정규화된 형식으로 추출된 콘텐츠를 내보냅니다.
• 스마트 라우팅 — 문서 유형을 감지하고 적절한 추출 방법을 자동으로 적용하며, PowerPoint 파일은 전용 PPTX 스킬로 라우팅합니다.
• 다국어 트리거 지원 — 영어 및 중국어로 된 추출 요청에 응답합니다(예: "从 PDF 提取文字", "识别扫描件").

• Python 환경 — 추출 라이브러리를 실행하려면 로컬 Python 환경 또는 동등한 도구가 필요합니다.
• PyMuPDF 또는 pdfminer — 디지털 PDF 텍스트 추출에 필요합니다.
• Tesseract 또는 OCR 서비스 — 스캔 문서 및 이미지가 많은 파일에 필요하며, OCR 품질은 스캔 선명도, 언어 및 레이아웃에 따라 달라집니다.
• python-docx — DOCX 파일 파싱에 필요합니다.
• PPTX 관련 참고사항 — PowerPoint 파일은 이 스킬에서 처리되지 않으며, 전용 PPTX 스킬로 라우팅하십시오.

• 인보이스 처리 — 스캔된 인보이스를 OCR하여 공급업체 이름, 금액 및 납기일을 자동으로 추출합니다.
• 문서 요약 — 여러 페이지로 구성된 PDF에서 전체 텍스트를 추출하여 페이지별 또는 섹션별 요약을 위한 요약 스킬로 전달합니다.
• 검색 인덱싱 — PDF 및 DOCX 파일 라이브러리를 일반 텍스트로 변환하여 검색 또는 지식 베이스 시스템에 인덱싱합니다.
• 아카이빙 파이프라인 — 레거시 스캔 문서를 구조화된 마크다운으로 정규화하여 장기 저장 및 검색에 활용합니다.
• 연구 지원 — 학술 논문이나 보고서에서 콘텐츠를 읽고 추출하여 어시스턴트가 질문에 답하거나 인용문을 생성할 수 있도록 합니다.
• 다국어 문서 처리 — 영어 및 중국어 워크플로우에서 문서와 추출 요청을 처리합니다.

지원해야 하는 문서 유형에 따라 Python과 관련 라이브러리(PyMuPDF, Tesseract 및/또는 python-docx)가 환경에 설치되어 있는지 확인하십시오. 환경이 준비되면 스킬을 MyClaw 어시스턴트 인스턴스에 연결하십시오. 터미널에서 npx clawhub@latest install ocr-and-documents를 실행하거나, 이 페이지 상단의 설치 버튼을 클릭하여 원클릭으로 설치하십시오.