核心用法
PDF Skill v2.0 提供完整的 PDF 处理工作流，基于 Python 生态中成熟的文档处理库构建：
文档读取与解析：使用 pypdf 实现基础 PDF 读取，支持元数据提取、文本抽取、书签解析及加密解密；配合 pdfplumber 实现复杂表格识别与结构化数据提取，可导出为 Excel 格式。
文档生成与转换：通过 weasyprint 将 HTML/CSS 渲染为高质量 PDF，支持自定义页面尺寸、页眉页脚、分页计数等印刷级排版特性，适合自动化报表生成。
文档操作：支持多文件合并与智能书签生成、按页拆分、页面旋转（90°/180°/270°）、密码保护及表单填充。
高级功能：集成 pdf2image+pytesseract 实现扫描件 OCR 文字识别；通过 reportlab 生成自定义水印 PDF 并叠加到目标文档。
显著优点
- 功能全面：覆盖 PDF 全生命周期操作，从创建到归档一站式解决
- 技术栈成熟：底层依赖均为 Python 生态主流库（pypdf 4.x、pdfplumber、weasyprint），社区活跃、文档完善
- 输出质量高：weasyprint 基于 WebKit 渲染引擎，CSS 支持度好，可生成印刷级文档
- 表格识别精准：pdfplumber 针对 PDF 表格结构优化，保留单元格边界与合并信息
- 扩展性强：模块化设计，各功能可独立使用或组合编排
潜在缺点与局限性
- OCR 依赖外部引擎：需单独安装 Tesseract 及系统级依赖（如 poppler），配置门槛较高
- 复杂布局解析受限：图文混排、多栏布局的文本抽取可能错位，需后处理校正
- HTML 渲染兼容性：weasyprint 对部分现代 CSS 特性（如 flexbox 高级用法、Grid）支持有限
- 扫描 PDF 处理性能：OCR 场景下逐页转图+识别流程耗时较长，大文档需分块处理
- 表单功能基础：仅支持简单文本字段填充，复杂交互式表单（如 JavaScript 计算字段）不支持
适合人群
- 企业 IT 部门/数据团队：自动化报表生成、合同批量处理、发票归档系统
- 开发者：需要集成 PDF 能力的 Python 后端服务、RPA 流程、文档流水线
- 研究人员/分析师：批量提取学术文献、财报表格进行结构化分析
- 小型团队：替代 Adobe 等商业软件，降低文档处理成本
常规风险
- 敏感信息泄露：提取文本/元数据时可能暴露隐藏层或删除不彻底的机密内容
- 供应链风险：weasyprint 依赖 GTK+/cairo 等系统库，容器化部署需额外处理依赖
- 解析漏洞：PDF 作为复杂二进制格式存在解析漏洞历史，处理不可信来源文件时建议沙箱环境运行
- OCR 隐私：云端 OCR 服务可能上传敏感图像，本地 Tesseract 方案更安全但需自行维护语言包