OCR 文档识别

从 PDF/扫描件提取文本（pymupdf、marker-pdf）

PDF 与文档提取

DOCX 文件：使用 python-docx（解析实际文档结构，远优于 OCR）。

PPTX 文件：参见 powerpoint 技能（使用 python-pptx，完整支持幻灯片和备注）。

本技能涵盖 PDF 和扫描文档。

第1步：是否有远程URL？

如果文档有 URL，优先使用 web_extract：

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

通过 Firecrawl 将 PDF 转为 Markdown，无需本地依赖。

仅以下情况使用本地提取：文件在本地、web_extract 失败、或需要批量处理。

第2步：选择本地提取工具

决策：除非需要 OCR、公式、表单或复杂版面分析，否则使用 pymupdf。

如果用户需要 marker 的能力但系统剩余空间不足 ~5GB：

> "此文档需要 OCR/高级提取（marker-pdf），需要约 5GB 空间安装 PyTorch 和模型。您的系统还有 [X]GB 可用。可选方案：释放空间、提供 URL 让我使用 web_extract、或者我尝试用 pymupdf（适用于文本型 PDF，但不支持扫描件或公式）。"

---

pymupdf（轻量版）

pip install pymupdf pymupdf4llm

通过辅助脚本：

python scripts/extract_pymupdf.py document.pdf              # 纯文本
python scripts/extract_pymupdf.py document.pdf --markdown    # Markdown
python scripts/extract_pymupdf.py document.pdf --tables      # 表格
python scripts/extract_pymupdf.py document.pdf --images out/ # 提取图片
python scripts/extract_pymupdf.py document.pdf --metadata    # 标题、作者、页数
python scripts/extract_pymupdf.py document.pdf --pages 0-4   # 指定页面

内联代码：

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

---

marker-pdf（高质量OCR）

# 先检查磁盘空间
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         # 带元数据的 JSON
python scripts/extract_marker.py document.pdf --output_dir out/  # 保存图片
python scripts/extract_marker.py scanned.pdf                 # 扫描件 PDF (OCR)
python scripts/extract_marker.py document.pdf --use_llm      # LLM 增强精度

CLI（随 marker-pdf 安装）：

marker_single document.pdf --output_dir ./output
marker /path/to/folder --workers 4    # 批量处理

---

Arxiv 论文

# 仅摘要（速度快）
web_extract(urls=["https://arxiv.org/abs/2402.03300"])

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

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

拆分、合并与搜索

pymupdf 原生支持这些操作——使用 execute_code 或内联 Python：

# 拆分：提取第1-5页生成新 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")

# 合并多个 PDF
import pymupdf
result = pymupdf.open()
for path in ["a.pdf", "b.pdf", "c.pdf"]:
    result.insert_pdf(pymupdf.open(path))
result.save("merged.pdf")

# 在所有页面中搜索文本
import pymupdf
doc = pymupdf.open("report.pdf")
for i, page in enumerate(doc):
    results = page.search_for("revenue")
    if results:
        print(f"第{i+1}页：{len(results)} 处匹配")
        print(page.get_text("text"))

无需额外依赖——pymupdf 一个包即可完成拆分、合并、搜索和文本提取。

---

注意事项