文档信息提取
把 PDF、Word、邮件、HTML 等各类文档解析成带页码和坐标的结构化文本、表格与元数据。
功能与用途
手上有一堆格式不一的文档——PDF、Word、邮件、HTML、扫描件——要统一变成能处理的文本和表格,靠手工复制粘贴效率极低。它用 unstructured 库自动识别格式并抽取出标题、正文、列表、表格、图片等元素,每个元素都带页码、坐标和语言等元数据;扫描件可以走 OCR,还能按标题语义切块供 RAG 使用,或整目录批量处理。前提是要装好 Python 依赖并配好 office-mcp 服务。
适用场景
- 要把几百份供应商合同 PDF 里的正文和表格提取出来入库,靠:要把几百份供应商合同 PDF 里的正文和表格提取出来入库,靠手工复制根本做不完
- 扫描件没有文字层,直接复制是没有内容的,需要走 OCR 把图:扫描件没有文字层,直接复制是没有内容的,需要走 OCR 把图片里的文字识别出来
- 为企业知识库做数据准备,需要把文档按标题切成语义块并保留页码:为企业知识库做数据准备,需要把文档按标题切成语义块并保留页码元数据供检索溯源
- 收件箱里一批 .eml 文件要提取主题、收发件人、正文和附件:收件箱里一批 .eml 文件要提取主题、收发件人、正文和附件清单,整理成一张表
适用人群
- 做文档类 RAG 知识库的工程师
- 需要批量提取合同或报告数据的业务分析人员
- 处理扫描件档案的行政或档案管理岗
使用步骤
- 提供要处理的文档,或指定一个装了多种格式文件的目录
- 说明提取需求:只要文本、还要表格、是否需要 OCR、是否保留页码和坐标元数据
- 按文件情况选择解析策略:速度快用 fast、准确率优先用 hi_res,扫描件走 OCR 并指定语言
- 拿到结构化结果后导出为 JSON、字典列表或 DataFrame;做知识库时再按标题或字数重叠切块
开始使用
将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。
技术信息
- 分类
- 办公
- 适用工具
- Codex、Claude Code、OpenClaw、Hermes、国内 Agent
- 使用难度
- 进阶
- 版本
- main
- 最近更新
- 2026-09-12
- 文件数
- 3
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
>
使用前准备
- 需要 Python 环境并安装 unstructured 库,同时配置 office-mcp 服务器以获得 PDF 文本与表格提取工具。
依赖与权限
- 读取用户主动提供的内容