核心用法
PDF OCR & Extraction Skill 是一套本地化文档识别方案，专门处理标准解析器无法读取的扫描PDF或图像型文档。其核心流程为：通过 pypdfium2 将PDF页面渲染为高分辨率图像（缩放倍率≥2），再利用 pytesseract 执行OCR文本提取，最终聚合为结构化字符串供下游使用。
关键技术栈：
- pypdfium2：基于Google PDFium的高性能PDF渲染引擎
- pytesseract：开源Tesseract OCR的Python封装
- Pillow：图像处理与格式转换
显著优点
| 维度 | 优势 |
|:---|:---|
| **成本** | 完全免费，零API调用费用，无使用配额限制 |
| **隐私** | 纯本地处理，敏感文档无需上传云端 |
| **离线能力** | 无网络依赖，适用于隔离环境 |
| **多语言** | 支持 `chi_sim+eng` 等混合语言模型 |
| **集成度** | 自动检测并安装缺失依赖，降低部署门槛 |
潜在局限
1. 识别精度瓶颈：OCR质量严重依赖源PDF图像清晰度，低分辨率扫描件、手写体或复杂排版会导致高误识率
2. 环境依赖：必须预装系统级 tesseract 二进制文件（Linux/macOS需额外包管理器安装）
3. 无原生表格/版式恢复：仅输出纯文本流，丢失原文档的表格结构、字体样式和空间布局信息
4. 计算资源消耗：逐页渲染为高清PNG并执行OCR，大文档处理时CPU/内存占用显著
适合人群
- 隐私敏感场景：法律、医疗、金融从业者处理含敏感信息的扫描档案
- 离线/内网环境：无法连接外部API的企业内部系统
- 高频批量处理：需要无限制调用量的自动化文档流水线
- 多语言文档处理：中英文混排的技术手册、学术论文等
常规风险
- 数据残留：临时PNG文件若未清理可能泄露文档内容
- 误识累积：OCR错误可能经LLM后处理放大，关键数据需人工复核
- 许可合规：Tesseract及训练数据（如chi_sim.traineddata）需遵循相应开源协议