152 lines
5.1 KiB
Markdown
152 lines
5.1 KiB
Markdown
|
---
|
|||
|
|
name: meoo-pdf
|
|||
|
|
description: 使用此技能处理 PDF 文件的所有操作。包括：读取、提取文本/表格、合并/拆分 PDF、旋转页面、添加水印、创建新 PDF（支持中文）、填充 PDF 表单、提取图像以及对扫描件进行 OCR。触发场景：提及 '.pdf' 文件或要求生成/处理 PDF 成果。本技能已针对 meoo 沙箱环境优化，支持中文字体。
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
# meoo-pdf: PDF 处理专家
|
|||
|
|
|
|||
|
|
## ⚠️ 核心执行原则
|
|||
|
|
|
|||
|
|
1. **环境适配**：
|
|||
|
|
- **已预装 (Python)**：`pypdf`, `pdfplumber`, `reportlab`, `pandas`。
|
|||
|
|
- **已预装 (Node.js)**：`pdf-lib`。
|
|||
|
|
- **需按需安装**：Poppler-utils (用于 `pdftoppm` 预览)、QPDF (用于高级页面操作/解密)、Tesseract-OCR (用于 OCR)。
|
|||
|
|
2. **禁止直接读取**：绝对禁止通过 `read` 或 `view_file` 工具直接读取此类二进制文件，这会导致乱码且无法获取有效信息。你**必须**使用本技能推荐的库编写脚本来解析内容。
|
|||
|
|
3. **脚本执行**：你**必须**先将脚本写入 `home/project/tmp/` 目录（例如 `home/project/tmp/process_pdf.py`），然后运行。禁止使用 bash inline python。
|
|||
|
|
4. **中文支持**：沙箱已安装 `fonts-wqy-microhei`。在使用 `reportlab` 生成 PDF 时，必须注册并使用此中文字体。
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 📦 环境依赖安装指南
|
|||
|
|
|
|||
|
|
如果在执行过程中提示命令缺失，请先运行以下安装指令：
|
|||
|
|
|
|||
|
|
```bash
|
|||
|
|
apt-get update && apt-get install -y poppler-utils qpdf tesseract-ocr
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 中文支持配置 (Python - ReportLab)
|
|||
|
|
|
|||
|
|
在生成 PDF 的脚本中注册中文字体：
|
|||
|
|
|
|||
|
|
```python
|
|||
|
|
from reportlab.pdfbase import ttfonts, pdfmetrics
|
|||
|
|
from reportlab.platypus import Paragraph
|
|||
|
|
from reportlab.lib.styles import getSampleStyleSheet
|
|||
|
|
|
|||
|
|
# 注册文泉驿微米黑
|
|||
|
|
pdfmetrics.registerFont(ttfonts.TTFont('WenQuanYi', '/usr/share/fonts/truetype/wqy/wqy-microhei.ttc'))
|
|||
|
|
|
|||
|
|
# 使用示例
|
|||
|
|
styles = getSampleStyleSheet()
|
|||
|
|
styles['Normal'].fontName = 'WenQuanYi'
|
|||
|
|
化学式：Paragraph("H<sub>2</sub>O", styles['Normal'])
|
|||
|
|
数学公式：Paragraph("x<super>2</super>", styles['Normal'])
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 🎨 美学与专业美化指南 (Aesthetics Guide)
|
|||
|
|
|
|||
|
|
PDF 的专业感源于“秩序感”与“可访问性”：
|
|||
|
|
|
|||
|
|
### 1. CRAP 设计原则
|
|||
|
|
- **对比 (Contrast)**：标题字体需显著大于或黑于正文（建议正文 11-12pt）。
|
|||
|
|
- **重复 (Repetition)**：全文页眉、页脚、各级标题颜色必须保持 100% 视觉一致性。
|
|||
|
|
- **对齐 (Alignment)**：所有图片、文字块和表格必须基于隐形网格线对齐，严禁随意摆放位置。
|
|||
|
|
- **亲密性 (Proximity)**：图标与标签、图片与说明文字必须紧凑，不同章节间通过大留白区分。
|
|||
|
|
|
|||
|
|
### 2. 导航与交互
|
|||
|
|
- **可点击目录**：对于 5 页以上的文档，必须生成带有超链接的目录（TOC）和 PDF 书签（Bookmarks）。
|
|||
|
|
- **禁止“图片化”**：确保导出的 PDF 文字可选中、可搜索。严禁将整个文档转为单张大图 PDF。
|
|||
|
|
|
|||
|
|
### 3. 可访问性
|
|||
|
|
- 为所有图表添加 **Alt Text**。
|
|||
|
|
- 采用高对比度颜色组合（如黑字白底），确保内容易于阅读。
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 进阶功能
|
|||
|
|
|
|||
|
|
### 1. 元数据与加密 (pypdf)
|
|||
|
|
```python
|
|||
|
|
from pypdf import PdfReader, PdfWriter
|
|||
|
|
|
|||
|
|
reader = PdfReader("input.pdf")
|
|||
|
|
writer = PdfWriter()
|
|||
|
|
writer.append(reader)
|
|||
|
|
|
|||
|
|
# 设置元数据
|
|||
|
|
writer.add_metadata({"/Title": "我的文档", "/Author": "meoo"})
|
|||
|
|
|
|||
|
|
# 加密
|
|||
|
|
writer.encrypt("user_password", "owner_password")
|
|||
|
|
|
|||
|
|
with open("output.pdf", "wb") as f:
|
|||
|
|
writer.write(f)
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### 2. 扫描件 OCR (自动化提取)
|
|||
|
|
如果文档无可选文本，可将其转换为图像并使用 Tesseract：
|
|||
|
|
```python
|
|||
|
|
from pdf2image import convert_from_path
|
|||
|
|
import pytesseract
|
|||
|
|
|
|||
|
|
images = convert_from_path('scanned.pdf', dpi=300)
|
|||
|
|
text = ""
|
|||
|
|
for img in images:
|
|||
|
|
text += pytesseract.image_to_string(img, lang='chi_sim+eng')
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 常用工作流
|
|||
|
|
|
|||
|
|
### 1. 文本与表格提取
|
|||
|
|
优先使用 `pdfplumber` 提取结构化数据：
|
|||
|
|
```python
|
|||
|
|
import pdfplumber
|
|||
|
|
with pdfplumber.open("input.pdf") as pdf:
|
|||
|
|
# 提取表格
|
|||
|
|
table = pdf.pages[0].extract_table()
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### 2. 合并、拆分与旋转
|
|||
|
|
使用 `pypdf` 进行基础页面操作：
|
|||
|
|
```python
|
|||
|
|
from pypdf import PdfWriter
|
|||
|
|
writer = PdfWriter()
|
|||
|
|
writer.append("doc1.pdf")
|
|||
|
|
writer.write("merged.pdf")
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### 3. PDF 表单填充与标签
|
|||
|
|
针对需要精准定位的表单填充或批注（基于图像坐标转换），请使用内置脚本：
|
|||
|
|
```bash
|
|||
|
|
python3 scripts/fill_pdf_form_with_annotations.py input.pdf fields.json output.pdf
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### 4. 图片提取 (Image Extraction)
|
|||
|
|
使用 `pdfimages` (来自 `poppler-utils`) 可以高效提取 PDF 中的原始图像：
|
|||
|
|
```bash
|
|||
|
|
# -j 参数确保将图像提取为 JPEG 格式
|
|||
|
|
pdfimages -j input.pdf image_prefix
|
|||
|
|
```
|
|||
|
|
> [!TIP]
|
|||
|
|
> 提取出的文件将命名为 `image_prefix-000.jpg`, `image_prefix-001.jpg` 等。
|
|||
|
|
|
|||
|
|
### 5. OCR 与扫描件处理
|
|||
|
|
如果需要 OCR，需动态安装依赖：
|
|||
|
|
```bash
|
|||
|
|
apt-get update && apt-get install -y tesseract-ocr
|
|||
|
|
pip install pytesseract
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 捆绑资源说明
|
|||
|
|
- `scripts/fill_pdf_form_with_annotations.py`: 解决 PDF 坐标与图像坐标（DPI）映射的精准填充脚本。
|
|||
|
|
- `scripts/extract_form_field_info.py`: 解析 PDF 表单域信息的辅助工具。
|