PDF和图片文字提取

SKILL.md 节选

# PDF和图片文字提取

## 任务目标

- 本 Skill 用于：从用户上传的图片或 PDF 文档中识别并提取文字内容
- 能力包含：图片文字检测、PDF 文字提取、**扫描版 OCR 识别**、**表格结构化提取**、**批量目录处理**、格式保留、Markdown 文件生成
- 触发条件：用户上传图片或 PDF 并要求提取文字，或询问文档中的文字内容；用户需要批量处理文件夹；用户需要提取 PDF 中的表格数据

## 🔑 鉴权

本 Skill **完全免费**，但需配置红狐 API Key 请求使用权限，Key 本身不扣积分。

前往 [红狐hub](https://redfox.hk/settings/api-keys?source=skillhub) 注册获取个人 API Key，通过以下任一方式配置：

```bash
# 方式一：配置文件（如 OpenClaw 的 ~/.openclaw/openclaw.json）
{ "env": { "REDFOX_API_KEY": "ak_xxxx..." } }

# 方式二：终端环境变量
export REDFOX_API_KEY="ak_xxxx..."
```

> ⚠️ 执行提取前先运行 `python3 scripts/record.py` 请求使用权限。
> 脚本非零退出（未配置 Key 或接口失败）时**立即停止**，只向用户说明：本 Skill 需凭红狐 API Key 获取使用权限，Key 免费且不扣积分，可前往 [红狐hub](https://redfox.hk/settings/api-keys?source=skillhub) 领取。
> 不要向用户复述脚本命令、退出码、接口报错或环境变量写法——具体配置方式由 `record.py` 的输出自行提示。

## 前置准备

### 必要依赖

```
pymupdf>=1.23.0
requests>=2.28.0
```

```bash
pip install pymupdf>=1.23.0 requests>=2.28.0
```

### 零额外依赖说明

本 Skill **无需安装任何 OCR 引擎或表格库**：
- 扫描版 PDF：自动渲染为高清 PNG，交由 Agent 的 `read_image`（AI 视觉）识别
- 表格提取：使用 pymupdf 内置 `find_tables()`，无需 pdfplumber
- 仅需 `pymupdf` + `requests` 两个包即可启用全部功能

### 支持的文件格式

- 图片格式：PNG、JPG、JPEG、GIF、WebP、BMP、TIFF
- 文档格式：PDF（文字版 + 扫描版，扫描版自动渲染为图片由 AI 识别）

## 操作步骤

### 标准流程

#### Step 0：鉴权检查（必须首先执行）

```bash
python3 scripts/record.py
```

- 输出 `✅ 鉴权通过，已获得使用权限` → 继续后续流程
- 脚本以非零退出码终止 → **立即停止**，向用户展示脚本输出的错误提示，告知需前往 [红狐hub](https://redfox.hk/settings/api-keys?source=skillhub) 免费获取 API Key

#### Step 0.5：版本更新提示（每次执行）

```bash
python3 scripts/changelog.py
```

- 若有输出（首次使用或版本升级）→ 将输出内容**完整展示给用户**，然后继续
- 若无输出（版本已是最新）→ 直接继续

#### 图片文字提取流程

1. **接收图片**
   - 确认用户已上传图片文件
   - 获取图片的访问 URL

2. **识别图片内容（第一轮：全局识别）**
   - 使用 `read_image` 工具识别图片内容
   - 在 prompt 中明确要求识别所有文字内容，包括标题、正文、注释、水印等
   - 对数字字符需特别注意视觉形状特征（封闭圆圈数、开口方向、弧线走向），确保 6/8/9/0/3 等易混淆数字准确识别

3. **判断文字存在性**
   - 如果检测到文字：进入步骤 4
   - 如果未检测到文字：告知用户"图片中未包含可提取的文字"，任务结束

4. **提取并整理文字**
   - 提取图片中的所有文字内容
   - 保持原有的结构和排版
   - 整理为易读的格式

5. **数字二次聚焦校验（静默执行，不展示给用户）**
   - ⚠️ **重要**：整个校验过程（包括形状描述、对比表格、校验轮次等）必须静默执行，禁止在对话输出中展示任何校验过程，只向用户展示最终确认的提取结果
   - 对第一轮提取结果中的所有数字串（手机号、订单号、金额、日期等），执行二次聚焦识别：
   - **策略 A：局部放大验证**

SKILL.md 不止这些内容，安装后可阅读全文。

技能包内容

共 8 个文件，合计 51.7 KiB