OCR 与文档处理

从 PDF 和扫描文档中提取文本。对于远程 URL 使用 web_extract，对于本地基于文本的 PDF 使用 pymupdf，对于 OCR/扫描文档使用 marker-pdf。对于 DOCX 文件使用 python-docx，对于 PPTX 文件请参阅 powerpoint 技能。

技能元数据

来源	捆绑（默认安装）
路径	skills/productivity/ocr-and-documents
版本	2.3.0
作者	Hermes Agent
许可证	MIT
标签	PDF, Documents, Research, Arxiv, Text-Extraction, OCR
相关技能	powerpoint

参考：完整 SKILL.md

信息

以下是 Hermes 在触发此技能时加载的完整技能定义。这是技能激活时代理看到的指令。

PDF 与文档提取

对于 DOCX：使用 python-docx（解析实际文档结构，远优于 OCR）。 对于 PPTX：请参阅 powerpoint 技能（使用 python-pptx，完全支持幻灯片/备注）。 本技能涵盖 PDF 和扫描文档。

步骤 1：是否有远程 URL？

如果文档有 URL，始终首先尝试 web_extract：

web_extract(urls=["https://arxiv.org/pdf/2402.03300"])
web_extract(urls=["https://example.com/report.pdf"])

这通过 Firecrawl 处理 PDF 到 Markdown 的转换，无需本地依赖项。

仅在以下情况下使用本地提取：文件是本地的、web_extract 失败或需要批量处理。

步骤 2：选择本地提取器

功能	pymupdf (~25MB)	marker-pdf (~3-5GB)
基于文本的 PDF	✅	✅
扫描版 PDF (OCR)	❌	✅ (90+ 种语言)
表格	✅ (基础)	✅ (高精度)
公式 / LaTeX	❌	✅
代码块	❌	✅
表单	❌	✅
页眉/页脚移除	❌	✅
阅读顺序检测	❌	✅
图片提取	✅ (嵌入式)	✅ (带上下文)
图片转文本 (OCR)	❌	✅
EPUB	✅	✅
Markdown 输出	✅ (通过 pymupdf4llm)	✅ (原生，更高质量)
安装大小	~25MB	~3-5GB (PyTorch + 模型)
速度	即时	~1-14秒/页 (CPU), ~0.2秒/页 (GPU)

决策：除非你需要 OCR、公式、表单或复杂布局分析，否则使用 pymupdf。

如果用户需要 marker 的功能但系统缺乏约 5GB 的可用磁盘空间：

“此文档需要 OCR/高级提取（marker-pdf），这需要约 5GB 空间用于 PyTorch 和模型。您的系统有 [X]GB 可用空间。选项：释放空间、提供 URL 以便我使用 web_extract，或者我可以尝试 pymupdf，它适用于基于文本的 PDF，但不适用于扫描文档或公式。”

---

pymupdf（轻量级）

pip install pymupdf pymupdf4llm

通过辅助脚本：

python scripts/extract_pymupdf.py document.pdf              # Plain text
python scripts/extract_pymupdf.py document.pdf --markdown    # Markdown
python scripts/extract_pymupdf.py document.pdf --tables      # Tables
python scripts/extract_pymupdf.py document.pdf --images out/ # Extract images
python scripts/extract_pymupdf.py document.pdf --metadata    # Title, author, pages
python scripts/extract_pymupdf.py document.pdf --pages 0-4   # Specific pages

内联：

python3 -c "
import pymupdf
doc = pymupdf.open('document.pdf')
for page in doc:
    print(page.get_text())
"

---

marker-pdf（高质量 OCR）

# Check disk space first
python scripts/extract_marker.py --check

pip install marker-pdf

通过辅助脚本：

python scripts/extract_marker.py document.pdf                # Markdown
python scripts/extract_marker.py document.pdf --json         # JSON with metadata
python scripts/extract_marker.py document.pdf --output_dir out/  # Save images
python scripts/extract_marker.py scanned.pdf                 # Scanned PDF (OCR)
python scripts/extract_marker.py document.pdf --use_llm      # LLM-boosted accuracy

CLI（随 marker-pdf 安装）：

marker_single document.pdf --output_dir ./output
marker /path/to/folder --workers 4    # Batch

---

Arxiv 论文

# Abstract only (fast)
web_extract(urls=["https://arxiv.org/abs/2402.03300"])

# Full paper
web_extract(urls=["https://arxiv.org/pdf/2402.03300"])

# Search
web_search(query="arxiv GRPO reinforcement learning 2026")

拆分、合并与搜索

pymupdf 原生支持这些功能 — 使用 execute_code 或内联 Python：

# Split: extract pages 1-5 to a new PDF
import pymupdf
doc = pymupdf.open("report.pdf")
new = pymupdf.open()
for i in range(5):
    new.insert_pdf(doc, from_page=i, to_page=i)
new.save("pages_1-5.pdf")

# Merge multiple PDFs
import pymupdf
result = pymupdf.open()
for path in ["a.pdf", "b.pdf", "c.pdf"]:
    result.insert_pdf(pymupdf.open(path))
result.save("merged.pdf")

# Search for text across all pages
import pymupdf
doc = pymupdf.open("report.pdf")
for i, page in enumerate(doc):
    results = page.search_for("revenue")
    if results:
        print(f"Page {i+1}: {len(results)} match(es)")
        print(page.get_text("text"))

无需额外依赖 — pymupdf 在一个包中涵盖了拆分、合并、搜索和文本提取功能。

---

注意事项

• 对于 URL，web_extract 始终是首选
• pymupdf 是安全的默认选择 — 即时响应，无需模型，随处可用
• marker-pdf 用于 OCR、扫描文档、公式、复杂布局 — 仅在需要时安装
• 两个辅助脚本都接受 --help 以获取完整用法
• marker-pdf 在首次使用时会下载约 2.5GB 的模型到 ~/.cache/huggingface/
• 对于 Word 文档：pip install python-docx（优于 OCR — 解析实际结构）
• 对于 PowerPoint：请参阅 powerpoint 技能（使用 python-pptx）