agenthatch 0.8.1

Turn any SKILL.md into a runnable AI Agent

PDF类型判断与文本提取工具

快速开始

1️⃣ 判断PDF类型

python check_pdf_type.py scan_report.pdf

输出示例：

==================================================
📄 正在分析: scan_report.pdf
==================================================

  第 1页 | 文本:    0字 | 图片:1张 🖼️
  第 2页 | 文本:    0字 | 图片:1张 🖼️
  第 3页 | 文本:    0字 | 图片:1张 🖼️

──────────────────────────────────────────────────
🔍 判断结果
──────────────────────────────────────────────────

🖼️ 结论：这是【扫描件PDF】
   理由：文本极少（0字），页面包含 3 张扫描图片

📌 推荐提取方案：
   工具: OCR（光学字符识别）
   方案一（pytesseract）: ...

2️⃣ 提取文本

自动模式（智能判断类型）：

python extract_pdf_text.py scan_report.pdf

强制OCR模式：

python extract_pdf_text.py scan_report.pdf --ocr

指定语言（如纯英文）：

python extract_pdf_text.py scan_report.pdf --lang eng

3️⃣ 安装依赖

# 基础
pip install pypdf pdfplumber

# OCR（扫描件需要）
pip install pdf2image pytesseract easyocr

# 系统依赖
# Ubuntu: sudo apt install tesseract-ocr tesseract-ocr-chi-sim poppler-utils
# macOS:  brew install tesseract poppler
# Windows: 下载安装 Tesseract OCR + poppler

判断方法速查表

方法	命令/代码	原生PDF特征	扫描件特征
Python检查	check_pdf_type.py	文本>100字	文本≈0, 图片多
命令行	pdftotext file.pdf - | head	输出正常文字	输出空或乱码
手动	打开PDF尝试选中文字	✅ 可以选中复制	❌ 选不中
手动	Ctrl+F搜索	✅ 能搜到	❌ 搜不到