PDF快速解析

技能简介

基于PyMuPDF（fitz）的本地PDF解析工具，以速度优先实现PDF到Markdown或JSON的快速转换，支持可选的图片与表格提取功能。

业务背景

业务部门常需批量处理PDF合同、报告等文档，传统工具转换慢或格式混乱。本工具基于本地引擎实现高速解析，秒级将PDF转为可编辑的Markdown或结构化JSON，避免上传敏感文件至云端，同时支持图片与表格提取，满足快速归档、内容复用及二次开发需求。

落地案例：法务团队收到50份供应商PDF合同，需提取关键条款录入系统。使用本工具批量转换：指定–format json输出结构化数据，开启图片提取保存盖章页，生成的Markdown便于法务人员快速审阅批注，JSON则直接对接业务系统入库，全程本地处理保障合同机密性，较人工逐份复制效率提升数倍。

能做什么

• 将PDF文档转换为Markdown格式文本
• 输出结构化JSON数据（含语言元数据）
• 提取PDF内嵌图片至独立目录
• 生成简易行级表格JSON文件
• 为每份PDF创建独立的输出文件夹

使用说明

安装依赖

# 安装PyMuPDF
pip install PyMuPDF

若遇Nix环境libstdc++问题，参考references/pymupdf-notes.md。

基础用法

# 单PDF解析（默认Markdown输出）
./scripts/pymupdf_parse.py /path/to/file.pdf \
  --format md \
  --outroot ./pymupdf-output

常用选项

• --format md|json|both：指定输出格式，默认md
• --images：提取图片
• --tables：提取简易表格JSON
• --outroot DIR：修改输出根目录
• --lang：在JSON元数据中添加语言标记

输入与输出

见下方输入与输出表格。

风险提示

• PyMuPDF速度快但复杂PDF解析稳定性有限
• 表格提取为简易行级格式，精度一般
• 建议作为主力OCR解析器（如MinerU）的备用方案
• 需提前确认Python环境与依赖安装状态

来源信息

原始链接：https://github.com/openclaw/skills/tree/main/skills/kesslerio/pymupdf-pdf-parser-clawdbot-skill/SKILL.md
来源类型：GitHub仓库