核心用法
PDF OCR & Extraction Skill 是一套用于处理扫描型或图像型PDF的自动化工具链。其核心工作流程分为三步：首先使用 pypdfium2 将PDF页面渲染为高分辨率图像（scale ≥ 2），然后通过 pytesseract 执行光学字符识别，最后将提取的文本聚合为结构化字符串供下游LLM分析使用。该Skill支持多语言混合识别（如 chi_sim+eng），适用于简历扫描件、加密文档、历史档案等场景。
显著优点
1. 兼容性强：突破传统PDF解析器的限制，可处理纯图像型PDF，无需嵌入式文本层
2. 自动化程度高：自动检测并安装依赖（pypdfium2、Pillow、pytesseract），降低部署门槛
3. 多语言支持：通过Tesseract引擎实现中英文混合识别，适应全球化文档场景
4. 开源生态：基于成熟开源组件（Tesseract OCR、PDFium），社区活跃，持续更新
潜在缺点与局限性
- 识别精度依赖图像质量：模糊、低分辨率或倾斜扫描的文档会导致识别错误
- 本地系统依赖：需预安装Tesseract二进制文件，跨平台部署存在环境差异
- 无版式保留：仅提取纯文本，丢失原文档的表格结构、字体样式等排版信息
- 计算资源消耗：逐页渲染为高分辨率图像的过程内存占用较高，大文档处理效率受限
适合人群
- 需要批量处理扫描文档的数据分析师、研究人员
- 构建RAG知识库时需摄入图像型PDF的AI应用开发者
- 企业文档数字化项目中遇到遗留扫描档案的技术团队
常规风险
| 风险类型 | 说明 | 缓解建议 |
|---------|------|---------|
| 隐私泄露 | 临时PNG文件可能残留在本地磁盘 | 配置自动清理机制，使用内存缓冲替代磁盘写入 |
| 识别误差 | OCR误识别可能导致LLM基于错误信息推理 | 对关键字段启用置信度过滤，结合LLM纠错后处理 |
| 依赖污染 | `pip install`自动执行可能引入恶意包 | 锁定依赖版本，使用私有PyPI镜像或离线安装 |
| 系统命令注入 | 若文件名未严格过滤，可能通过`python3 -c`参数注入 | 对输入路径进行白名单校验，避免shell元字符 |