PDF数据分析
先判断 PDF 是文字型还是扫描型再选解析器,做文本表格提取与单位感知的数值计算。
功能与用途
PDF 文档解析工具,自动区分文字型 PDF 与扫描型 PDF,覆盖文本和表格提取、多页全量扫描、嵌入图表的 caption 提取,以及带单位感知的数值计算。它的第一步非常关键:必须先判断 PDF 是可提取文本的还是要走 OCR 的扫描件——判断方法是抽样检查前几页的字符数,平均每页超过 50 个字符判为文字型,否则判为扫描型。跳过这一步会导致选错解析器、浪费时间并得到空结果。
适用场景
- 文字型财报与合同表格提取:针对原生可复制的 PDF 研报或合同,逐页提取结构化表格并转化为清洗后的 DataFrame 数据,便于后续数值计算与统计。
- 扫描件票据与对账单内容识别:对发票、银行对账单等纯图片或扫描版 PDF,先将页面渲染为高清图像,再通过视觉解析精准还原排版与表单文字。
- 图文混合版文档逐页自适应解析:处理兼具文字页与扫描页的复杂文档,逐页自动判断字符密度,自适应调用文本抽取或图像 OCR,避免漏提取与空结果。
- 文档内嵌统计图表抽离:自动扫描并导出 PDF 中的业务图表、架构图或照片,按尺寸阈值过滤无效小图标,以便单独分析图表数据与描述。
适用人群
- 研究人员
- 数据分析人员
- 职场用户
使用步骤
- 第一步:检测 PDF 类型——抽样检查前几页字符数,平均每页 >50 判为文字型,否则为扫描型
- 按判定结果选择对应解析器
- 提取文本与表格,支持多页全量扫描
- 提取嵌入图表的 caption
- 做单位感知的数值计算
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
- 简单
- 版本
- main
- 最近更新
- 2026-09-11
- 文件数
- 3
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
PDF 文档解析。自动区分文字型 PDF 与扫描型 PDF,覆盖:文本/表格提取、多页全量扫描、嵌入图表 caption、单位感知数值计算。
使用前准备
- Python 环境(使用 PyMuPDF / fitz 库)
- 待解析的 PDF 文件
- 扫描型 PDF 需要 OCR 能力
依赖与权限
- 读取用户主动提供的内容