OCR 與文檔處理

從 PDF 和掃描文檔中提取文本。對於遠程 URL 使用 web_extract，對於本地基於文本的 PDF 使用 pymupdf，對於 OCR/掃描文檔使用 marker-pdf。對於 DOCX 文件使用 python-docx，對於 PPTX 文件請參閱 powerpoint 技能。

技能元數據

來源	捆綁（默認安裝）
路徑	skills/productivity/ocr-and-documents
版本	2.3.0
作者	Hermes Agent
許可證	MIT
標籤	PDF, Documents, Research, Arxiv, Text-Extraction, OCR
相關技能	powerpoint

參考：完整 SKILL.md

信息

以下是 Hermes 在觸發此技能時加載的完整技能定義。這是技能激活時代理看到的指令。

PDF 與文檔提取

對於 DOCX：使用 python-docx（解析實際文檔結構，遠優於 OCR）。 對於 PPTX：請參閱 powerpoint 技能（使用 python-pptx，完全支持幻燈片/備註）。 本技能涵蓋 PDF 和掃描文檔。

步驟 1：是否有遠程 URL？

如果文檔有 URL，始終首先嚐試 web_extract：

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

這通過 Firecrawl 處理 PDF 到 Markdown 的轉換，無需本地依賴項。

僅在以下情況下使用本地提取：文件是本地的、web_extract 失敗或需要批量處理。

步驟 2：選擇本地提取器

功能	pymupdf (~25MB)	marker-pdf (~3-5GB)
基於文本的 PDF	✅	✅
掃描版 PDF (OCR)	❌	✅ (90+ 種語言)
表格	✅ (基礎)	✅ (高精度)
公式 / LaTeX	❌	✅
代碼塊	❌	✅
表單	❌	✅
頁眉/頁腳移除	❌	✅
閱讀順序檢測	❌	✅
圖片提取	✅ (嵌入式)	✅ (帶上下文)
圖片轉文本 (OCR)	❌	✅
EPUB	✅	✅
Markdown 輸出	✅ (通過 pymupdf4llm)	✅ (原生，更高質量)
安裝大小	~25MB	~3-5GB (PyTorch + 模型)
速度	即時	~1-14秒/頁 (CPU), ~0.2秒/頁 (GPU)

決策：除非你需要 OCR、公式、表單或複雜佈局分析，否則使用 pymupdf。

如果用戶需要 marker 的功能但系統缺乏約 5GB 的可用磁盤空間：

“此文檔需要 OCR/高級提取（marker-pdf），這需要約 5GB 空間用於 PyTorch 和模型。您的系統有 [X]GB 可用空間。選項：釋放空間、提供 URL 以便我使用 web_extract，或者我可以嘗試 pymupdf，它適用於基於文本的 PDF，但不適用於掃描文檔或公式。”

---

pymupdf（輕量級）

pip install pymupdf pymupdf4llm

通過輔助腳本：

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

內聯：

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

---

marker-pdf（高質量 OCR）

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

pip install marker-pdf

通過輔助腳本：

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（隨 marker-pdf 安裝）：

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

---

Arxiv 論文

# 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、合併與搜索

pymupdf 原生支持這些功能 — 使用 execute_code 或內聯 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"))

無需額外依賴 — pymupdf 在一個包中涵蓋了拆分、合併、搜索和文本提取功能。

---

注意事項

• 對於 URL，web_extract 始終是首選
• pymupdf 是安全的默認選擇 — 即時響應，無需模型，隨處可用
• marker-pdf 用於 OCR、掃描文檔、公式、複雜佈局 — 僅在需要時安裝
• 兩個輔助腳本都接受 --help 以獲取完整用法
• marker-pdf 在首次使用時會下載約 2.5GB 的模型到 ~/.cache/huggingface/
• 對於 Word 文檔：pip install python-docx（優於 OCR — 解析實際結構）
• 對於 PowerPoint：請參閱 powerpoint 技能（使用 python-pptx）