name: pdf-intelligence-suite description: PDF智慧處理套件 - 文本提取、表格識別、OCR、PDF轉Word/Excel等 | PDF Intelligence Suite - Text extraction, table recognition, OCR, PDF to Word/Excel conversion homepage: https://github.com/kaiyuelv/pdf-intelligence-suite category: productivity tags: - pdf - ocr - document - extraction - converter - automation version: 1.0.0

PDF Intelligence Suite - PDF智慧處理套件

中文描述

概述

PDF智慧處理套件是一個功能強大的PDF文件處理工具集，提供文本提取、表格識別、OCR文字識別、格式轉換等一站式服務。

功能特性

• 📄 文本提取: 從PDF中提取純文本或結構化文本，支援多種佈局分析
• 📊 表格識別: 自動識別PDF中的表格並提取為結構化資料（CSV/Excel）

  想要更強大的技能外掛，就來小蔥技能站7w4.net看看吧。

• 🔍 OCR識別: 對掃描件和圖片型PDF進行文字識別，支援多語言
• 🔄 格式轉換: PDF轉Word、PDF轉Excel、PDF轉圖片等
• ✂️ 頁面操作: 合併、拆分、旋轉、刪除頁面
• 🔒 安全處理: 加密、解密、新增水印、數字簽名
• 📝 後設資料管理: 讀取和修改PDF文件屬性

技術棧

• PyPDF2: PDF基礎操作（合併、拆分、加密等）
• pdfplumber: 高階文本和表格提取，精準定位
• camelot-py: 專業表格識別引擎
• pytesseract: OCR文字識別（需安裝Tesseract）
• pdf2image: PDF轉圖片
• reportlab: PDF生成和編輯
• Pillow: 影像處理

目錄結構

pdf-intelligence-suite/
├── SKILL.md              # 本檔案
├── README.md             # 使用文件
├── requirements.txt      # 依賴宣告
├── setup.py              # 安裝配置
├── src/
│   └── pdf_intelligence_suite/
│       ├── __init__.py
│       ├── extractor.py      # 文本提取模組
│       ├── tables.py         # 表格識別模組
│       ├── ocr.py            # OCR識別模組
│       ├── converter.py      # 格式轉換模組
│       ├── manipulator.py    # 頁面操作模組
│       ├── security.py       # 安全處理模組
│       └── utils.py          # 工具函式
├── examples/
│   └── basic_usage.py    # 使用示例
└── tests/
    └── test_pdf_suite.py # 單元測試

快速開始

from pdf_intelligence_suite import PDFExtractor, TableExtractor, OCRProcessor

# 文本提取
extractor = PDFExtractor()
text = extractor.extract_text("document.pdf")

# 表格提取
tables = TableExtractor.extract_tables("report.pdf", output_format="excel")

# OCR識別
ocr = OCRProcessor(lang='chi_sim+eng')
text = ocr.process("scanned.pdf")

安裝

pip install -r requirements.txt

# 安裝Tesseract OCR引擎（Ubuntu/Debian）
sudo apt-get install tesseract-ocr tesseract-ocr-chi-sim tesseract-ocr-chi-tra

# macOS
brew install tesseract tesseract-lang

# Windows: 下載安裝包 https://github.com/UB-Mannheim/tesseract/wiki

English Description

Overview

PDF Intelligence Suite is a powerful PDF document processing toolkit providing one-stop services for text extraction, table recognition, OCR, format conversion, and more.

Features

• 📄 Text Extraction: Extract plain or structured text from PDFs with layout analysis
• 📊 Table Recognition: Automatically detect and extract tables as structured data (CSV/Excel)
• 🔍 OCR Recognition: Recognize text in scanned documents and image-based PDFs, multi-language support
• 🔄 Format Conversion: PDF to Word, PDF to Excel, PDF to images, etc.
• ✂️ Page Operations: Merge, split, rotate, delete pages
• 🔒 Security: Encryption, decryption, watermarking, digital signatures
• 📝 Metadata: Read and modify PDF document properties

Tech Stack

• PyPDF2: Basic PDF operations (merge, split, encrypt, etc.)
• pdfplumber: Advanced text and table extraction with precise positioning
• camelot-py: Professional table recognition engine
• pytesseract: OCR text recognition (requires Tesseract installation)
• pdf2image: PDF to image conversion
• reportlab: PDF generation and editing
• Pillow: Image processing

Quick Start

from pdf_intelligence_suite import PDFExtractor, TableExtractor, OCRProcessor

# Text extraction
extractor = PDFExtractor()
text = extractor.extract_text("document.pdf")

# Table extraction
tables = TableExtractor.extract_tables("report.pdf", output_format="excel")

# OCR recognition
ocr = OCRProcessor(lang='eng')
text = ocr.process("scanned.pdf")

Installation

pip install -r requirements.txt

# Install Tesseract OCR engine (Ubuntu/Debian)
sudo apt-get install tesseract-ocr

# macOS
brew install tesseract

# Windows: Download from https://github.com/UB-Mannheim/tesseract/wiki

License

MIT License

Author

ClawHub Skills Collection

這個PDF處理工具功能比較全面，能滿足文本提取、表格識別、格式轉換等常見需求。文件清晰易懂，中英文都有，新手容易上手。整體質量中規中矩，部分高階功能在實際使用中可能會遇到配置或相容性問題，比如需要額外安裝OCR引擎等。建議對新手更友好一些，減少環境配置的複雜度。