OCR and Documents

• 您有一个 PDF 文件（数字版或扫描版），需要提取其中的文本以进行摘要、归档或进一步分析。
• 您需要对扫描的发票、表单或文档照片进行 OCR 识别，并提取结构化字段。
• 您希望将 DOCX 文件转换为纯文本或 markdown 格式，以供其他技能或流程使用。
• 您正在构建一个预处理步骤，将干净的文档文本输入到搜索索引或 LLM 工作流中。

• 您的输入是 PowerPoint/PPTX 文件 — 请将这些文件路由到专用的演示文稿技能。
• 您的扫描文档分辨率非常低、严重倾斜或使用不受支持的语言；OCR 质量将很差，结果不可靠。
• 您需要一个无依赖、零配置的解决方案 — 此技能需要 Python 环境以及至少一个文档/OCR 库。

使用 PyMuPDF 或 pdfminer 直接从原生数字 PDF 中提取文本，无需 OCR 处理开销，同时尽可能完整地保留原有排版布局。

将扫描的 PDF 文件和文档照片通过 Tesseract 或兼容的 OCR 服务进行处理，以从基于图像的内容中提取文本。

通过 python-docx 读取 Microsoft Word 文件，将段落和标题结构提取为纯文本或 Markdown 格式输出。

将提取的内容规范化为纯文本或结构化 Markdown 格式，使输出结果可立即用于摘要生成、索引构建或其他下游技能。

根据运行时检测到的文档类型，自动选择合适的提取器——直接文本层、OCR 或特定格式解析器。

使用 OCR and Documents 对扫描的发票或已填写的表单进行识别，并返回结构化字段（如供应商名称、金额和到期日期），以供后续处理或存储。

从多页PDF中提取文本，并将每一页的内容传递给摘要技能，从而无需手动复制粘贴即可生成整篇文档的摘要。

解析 Word 文档并将其内容转换为 Markdown 格式，使其可用于知识库、静态网站，或在基于文本的工作流中进行进一步编辑。

批量从混合 PDF 和 DOCX 文件集合中提取文本，生成适合向量或全文搜索索引的干净、规范化文本块。