OCR and Documents

OCR and Documents geeft uw AI-assistent de mogelijkheid om bruikbare tekst te lezen en te extraheren uit een breed scala aan documentformaten — waaronder digitaal geboren PDF's, gescande papierdocumenten en DOCX-bestanden. Of u nu ruwe tekst, gestructureerde markdown of specifieke velden uit een factuur of rapport nodig heeft, deze skill verwerkt documenten voor tot schone uitvoer waarop andere skills en workflows kunnen reageren.

De skill selecteert de juiste extractiestrategie op basis van het documenttype. Tekstgebaseerde PDF's worden snel verwerkt met bibliotheken zoals PyMuPDF of pdfminer. Gescande documenten en bestanden met veel afbeeldingen worden doorgestuurd via een OCR-pipeline (bijv. Tesseract of een compatibele OCR-service). DOCX-bestanden worden verwerkt met python-docx. De geëxtraheerde inhoud wordt vervolgens genormaliseerd naar platte tekst of gestructureerde markdown, klaar voor samenvatting, indexering, archivering of verdere analyse door vervolgskills.

• Digitale PDF-extractie — Snelle, nauwkeurige tekstextractie uit digitaal geboren PDF's met PyMuPDF of pdfminer.
• OCR voor gescande documenten — Herkent tekst in gescande PDF's en documentfoto's via Tesseract of een compatibele OCR-service.
• DOCX-verwerking — Haalt inhoud op uit Microsoft Word-bestanden met python-docx, waarbij de structuur waar mogelijk behouden blijft.
• Markdown of platte tekstuitvoer — Exporteert geëxtraheerde inhoud in een genormaliseerd formaat geschikt voor samenvatting-, zoek- of archiefpipelines.
• Slimme routering — Detecteert het documenttype en past automatisch de juiste extractiemethode toe; stuurt PowerPoint-bestanden door naar een toegewijde PPTX-skill.
• Meertalige triggerondersteuning — Reageert op extractieverzoeken in het Engels en Chinees (bijv. "从 PDF 提取文字", "识别扫描件").

• Python-omgeving — Een lokale Python-omgeving of gelijkwaardige tooling is vereist om de extractiebibliotheken uit te voeren.
• PyMuPDF of pdfminer — Vereist voor digitale PDF-tekstextractie.
• Tesseract of OCR-service — Vereist voor gescande documenten en bestanden met veel afbeeldingen; de OCR-kwaliteit is afhankelijk van de scanhelderheid, taal en lay-out.
• python-docx — Vereist voor het verwerken van DOCX-bestanden.
• Opmerking over PPTX — PowerPoint-bestanden worden niet door deze skill verwerkt; stuur ze in plaats daarvan door naar een toegewijde PPTX-skill.

• Factuurverwerking — OCR een gescande factuur en extraheer automatisch leveranciersnaam, bedrag en vervaldatum.
• Documentsamenvatting — Extraheer volledige tekst uit een PDF met meerdere pagina's en geef deze door aan een samenvattingsskill voor pagina- of sectiegewijze samenvattingen.
• Zoekindexering — Converteer een bibliotheek van PDF's en DOCX-bestanden naar platte tekst voor indexering in een zoek- of kennisbasissysteem.
• Archiefpipelines — Normaliseer verouderde gescande documenten naar gestructureerde markdown voor langdurige opslag en opvraging.
• Onderzoeksondersteuning — Lees en extraheer inhoud uit wetenschappelijke artikelen of rapporten zodat de assistent vragen kan beantwoorden of citaten kan genereren.
• Meertalige documentverwerking — Verwerk documenten en extractieverzoeken in zowel Engelse als Chinese workflows.

Zorg ervoor dat uw omgeving Python heeft geïnstalleerd samen met de relevante bibliotheken (PyMuPDF, Tesseract en/of python-docx), afhankelijk van de documenttypen die u wilt ondersteunen. Zodra uw omgeving gereed is, verbindt u de skill met uw MyClaw-assistent instantie. Voer npx clawhub@latest install ocr-and-documents uit in uw terminal, of klik op Installeren bovenaan deze pagina voor installatie met één klik.