OCR 与文档

从 PDF/扫描件中提取文本（pymupdf, marker-pdf）。

技能元数据

来源	内置（默认安装）
路径	skills/productivity/ocr-and-documents
版本	2.3.0
作者	Hermes 智能体
许可证	MIT
平台	linux, macos, windows
标签	PDF, 文档, 研究, Arxiv, 文本提取, OCR
相关技能	powerpoint

参考：完整的 SKILL.md

信息

以下是当此技能被触发时，Hermes 加载的完整技能定义。这是技能激活时，智能体所看到的指令。

PDF 与文档提取

对于 DOCX：使用 python-docx（解析实际文档结构，远优于 OCR）。 对于 PPTX：参见 powerpoint 技能（使用 python-pptx，支持完整幻灯片/备注）。 本技能涵盖 PDF 和扫描文档。

步骤 1：是否有远程 URL？

如果文档有 URL，始终首先尝试 web_extract：

web_extract(urls=["https://arxiv.org/pdf/2402.03300"])
web_extract(urls=["https://example.com/report.pdf"])

此操作通过 Firecrawl 将 PDF 转换为 Markdown，无需本地依赖。

仅在以下情况使用本地提取：文件是本地的、web_extract 失败，或需要进行批量处理。

步骤 2：选择本地提取工具

特性	pymupdf (~25MB)	marker-pdf (~3-5GB)
基于文本的 PDF	✅	✅
扫描版 PDF (OCR)	❌	✅ (90+ 种语言)
表格	✅ (基础)	✅ (高精度)
公式 / LaTeX	❌	✅
代码块	❌	✅
表单	❌	✅
移除页眉/页脚	❌	✅
阅读顺序检测	❌	✅
图像提取	✅ (内嵌)	✅ (带上下文)
图像 → 文本 (OCR)	❌	✅
EPUB	✅	✅
Markdown 输出	✅ (通过 pymupdf4llm)	✅ (原生，质量更高)
安装大小	~25MB	~3-5GB (PyTorch + 模型)
速度	即时	~1-14秒/页 (CPU), ~0.2秒/页 (GPU)

决策建议：除非需要 OCR、公式、表单或复杂的版面分析，否则使用 pymupdf。

如果用户需要 marker 功能但系统缺少约 5GB 可用磁盘空间：

“此文档需要 OCR/高级提取（marker-pdf），这需要约 5GB 空间用于 PyTorch 和模型。您的系统有 [X]GB 可用空间。选项：释放空间、提供 URL 以便我使用 web_extract，或者我可以尝试 pymupdf，它适用于基于文本的 PDF，但不适用于扫描文档或公式。”

---

pymupdf（轻量级）

pip install pymupdf pymupdf4llm

通过辅助脚本：

python scripts/extract_pymupdf.py document.pdf              # 纯文本
python scripts/extract_pymupdf.py document.pdf --markdown    # Markdown
python scripts/extract_pymupdf.py document.pdf --tables      # 表格
python scripts/extract_pymupdf.py document.pdf --images out/ # 提取图像
python scripts/extract_pymupdf.py document.pdf --metadata    # 标题、作者、页数
python scripts/extract_pymupdf.py document.pdf --pages 0-4   # 指定页码

内联使用：

python3 -c "
import pymupdf
doc = pymupdf.open('document.pdf')
for page in doc:
    print(page.get_text())
"

---

marker-pdf（高质量 OCR）

# 首先检查磁盘空间
python scripts/extract_marker.py --check

pip install marker-pdf

通过辅助脚本：

python scripts/extract_marker.py document.pdf                # Markdown
python scripts/extract_marker.py document.pdf --json         # 带元数据的 JSON
python scripts/extract_marker.py document.pdf --output_dir out/  # 保存图像
python scripts/extract_marker.py scanned.pdf                 # 扫描版 PDF (OCR)
python scripts/extract_marker.py document.pdf --use_llm      # LLM 增强精度

CLI（随 marker-pdf 安装）：

marker_single document.pdf --output_dir ./output
marker /path/to/folder --workers 4    # 批量处理

---

Arxiv 论文

# 仅摘要（快速）
web_extract(urls=["https://arxiv.org/abs/2402.03300"])

# 全文
web_extract(urls=["https://arxiv.org/pdf/2402.03300"])

# 搜索
web_search(query="arxiv GRPO reinforcement learning 2026")

拆分、合并与搜索

pymupdf 原生支持这些操作 —— 使用 execute_code 或内联 Python：

# 拆分：提取第 1-5 页到新 PDF
import pymupdf
doc = pymupdf.open("report.pdf")
new = pymupdf.open()
for i in range(5):
    new.insert_pdf(doc, from_page=i, to_page=i)
new.save("pages_1-5.pdf")

# 合并多个 PDF
import pymupdf
result = pymupdf.open()
for path in ["a.pdf", "b.pdf", "c.pdf"]:
    result.insert_pdf(pymupdf.open(path))
result.save("merged.pdf")

# 跨所有页面搜索文本
import pymupdf
doc = pymupdf.open("report.pdf")
for i, page in enumerate(doc):
    results = page.search_for("revenue")
    if results:
        print(f"Page {i+1}: {len(results)} match(es)")
        print(page.get_text("text"))

无需额外依赖 —— pymupdf 在一个包中涵盖了拆分、合并、搜索和文本提取功能。

---

备注

• 对于 URL，web_extract 始终是首选
• pymupdf 是安全的默认选择 —— 即时、无需模型、随处可用
• marker-pdf 用于 OCR、扫描文档、公式、复杂版面 —— 仅在需要时安装
• 两个辅助脚本都支持 --help 以查看完整用法
• 首次使用时，marker-pdf 会将约 2.5GB 模型下载到 ~/.cache/huggingface/
• 对于 Word 文档：pip install python-docx（优于 OCR —— 解析实际结构）
• 对于 PowerPoint：参见 powerpoint 技能（使用 python-pptx）