document-processor

# 文档处理技能 📄 专业的PDF和Word文档处理工具集，支持多种文档格式转换和编辑操作。 ## 功能特性 ### 1. PDF处理 - ✅ PDF页面提取（提取指定页面生成新PDF） - ✅ PDF转Word（保留格式） - ✅ PDF合并/拆分 - ✅ PDF去水印 - ✅ PDF压缩优化 - ✅ PDF添加水印/页眉页脚 - ✅ OCR页码识别（识别扫描件PDF中的页码） ### 2. Word处理 - ✅ Word转PDF - ✅ Word文档合并 - ✅ Word内容提取 - ✅ Word格式清理 ### 3. OCR功能 - ✅ 扫描件PDF文字识别 - ✅ 多语言支持（中英文等） - ✅ 页码自动识别和映射 - ✅ 批量OCR处理 ### 4. 其他功能 - ✅ 图片提取（从PDF中提取图片） - ✅ 批量处理（处理多个文件） ## 工具依赖 本技能需要以下Python库： - PyPDF2 - PDF处理 - python-docx - Word文档处理 - pdf2docx - PDF转Word - Pillow - 图片处理 - pdfplumber - 高级PDF处理 安装命令： ```bash pip install PyPDF2 python-docx pdf2docx pillow pdfplumber ``` ## 使用示例 ### 1. PDF页面提取 ```bash # 提取第14-29页 python3 pdf_extractor.py "input.pdf" "output_pages_14-29.pdf" -s 14 -e 29 # 提取特定页面 python3 pdf_extractor.py "input.pdf" "output_specific.pdf" -p "1,3,5-7,10" ``` ### 2. PDF转Word ```bash python3 pdf_to_word.py "document.pdf" "document.docx" ``` ### 3. Word转PDF ```bash python3 word_to_pdf.py "document.docx" "document.pdf" ``` ### 4. PDF去水印 ```bash python3 remove_watermark.py "input.pdf" "output_no_watermark.pdf" ``` ### 5. 批量PDF转Word ```bash python3 batch_pdf_to_word.py "/path/to/pdf/folder" "/path/to/output/folder" ``` ## 脚本文件 本技能包含以下Python脚本： ### 核心脚本 1. `pdf_extractor.py` - PDF页面提取工具 2. `pdf_to_word.py` - PDF转Word工具 3. `word_to_pdf.py` - Word转PDF工具 4. `pdf_ocr.py` - PDF OCR和页码识别工具 5. `remove_watermark.py` - PDF去水印工具 6. `pdf_merger.py` - PDF合并工具 7. `pdf_splitter.py` - PDF拆分工具 ### 实用工具 8. `batch_processor.py` - 批量处理工具 9. `pdf_compressor.py` - PDF压缩工具 10. `image_extractor.py` - 图片提取工具 11. `install_dependencies.py` - 依赖安装工具 12. `test_skill.py` - 技能测试工具 ## 使用指南 当用户需要处理文档时： 1. **识别需求**：确定用户需要什么功能（转换、提取、编辑等） 2. **检查依赖**：确保所需Python库已安装 3. **选择脚本**：根据需求选择合适的脚本 4. **执行操作**：运行相应的Python脚本 5. **验证结果**：检查输出文件是否满足要求 ## 高级功能 ### OCR页码识别 ```bash # 分析PDF页码结构 python3 pdf_ocr.py analyze "input.pdf" --start 1 --end 50 --language chi_sim+eng # 根据标注页码提取页面 python3 pdf_ocr.py extract "input.pdf" "output.pdf" --start-label 14 --end-label 29 --language chi_sim+eng ``` ### 自定义水印 ```python # 添加文本水印 python3 add_watermark.py "input.pdf" "output.pdf" --text "CONFIDENTIAL" --position "center" # 添加图片水印 python3 add_watermark.py "input.pdf" "output.pdf" --image "watermark.png" --opacity 0.3 ``` ### 批量处理 ```bash # 批量转换文件夹内所有PDF为Word python3 batch_processor.py --input-dir "./pdfs" --output-dir "./docs" --operation "pdf2word" # 批量提取所有PDF的封面 python3 batch_processor.py --input-dir "./pdfs" --output-dir "./covers" --operation "extract" --pages "1" ``` ## 错误处理 - 文件不存在时提供清晰错误信息 - 格式不支持时建议转换方法 - 权限问题提示解决方案 - 内存不足时建议分批处理 ## 性能优化 - 大文件处理时显示进度条 - 支持多线程批量处理 - 提供压缩选项减少文件大小 - 缓存中间结果避免重复处理 ## 安全注意事项 - 验证输入文件格式 - 限制文件大小防止内存溢出 - 清理临时文件 - 不处理加密或受保护的PDF - 用户确认后再执行删除操作 --- **技能维护者**：文档处理团队 **最后更新**：2026-03-01 **版本**：1.0.0 **状态**：✅ 生产就绪