PDF Text Extract
Documentspdf_text_extractPDF Text Extract is an Agent Skill for documents published in the cas-bigdatalab/piflow repository on GitHub: a SKILL.md instruction file an AI agent can load to do this task.
从PDF文件中提取文本内容，保存为txt文件。当用户需要从PDF中提取文字时使用此skill。
QUICK START
How to use this skill
Bring this guide into your coding agent with a prompt tailored to the tool you use.
- Open your project in Codex.
- Copy and paste the prompt below.
- Review files and risks before approving any action.
Prompt to paste
Inspect the Agent Skill at https://github.com/cas-bigdatalab/piflow/blob/HEAD/workspace/skills/pdf_text_extract/SKILL.md and all supporting files. Report provenance, permissions, scripts, dependencies, and security risks. Propose an exact installation into .agents/skills/pdf-text-extract, but wait for my approval before writing files or running scripts.
Copying this prompt does not install or run the skill. Review third-party files before use.
pdf_text_extract 技能
功能说明
该技能从PDF文件中提取文本内容，保存为txt文件，适用于需要从PDF中提取可编辑文本的场景。
核心功能
- 提取PDF中的文本内容
- 支持指定页码范围提取
- 按页码分隔输出
- 自动创建输出目录
使用方法
python scripts/run_pdf_text_extract.py --input_path <输入PDF> --output_path <输出TXT> [--pages <页码范围>]
参数说明
| 参数 | 类型 | 必填 | 默认值 | 说明 |
|---|---|---|---|---|
| input_path | string | 是 | - | 输入PDF文件路径 |
| output_path | string | 是 | - | 输出txt文件路径 |
| pages | string | 否 | 全部 | 页码范围，如"1-3,5" |
示例
示例1：提取全部页面文本
python scripts/run_pdf_text_extract.py --input_path document.pdf --output_path text.txt
示例2：提取指定页码文本
python scripts/run_pdf_text_extract.py --input_path document.pdf --output_path text.txt --pages "1-10"
输出格式
--- Page 1 ---
这是第一页的文本内容...
--- Page 2 ---
这是第二页的文本内容...
注意事项
- 扫描版PDF（图片格式）无法提取文本，需使用pdf_ocr技能
- 输出目录不存在时会自动创建
- 文本提取结果受PDF质量影响，部分PDF可能提取效果不佳