wechat-robot-skills/skills/pdf/SKILL.md

name	description
pdf	处理本地 PDF 文件或远程 HTTPS PDF 链接，包括安全下载、元数据与页面检查、多引擎分段文本提取和质量检测、扫描页本地 OCR、表格提取、按需页面 PNG 渲染、从文本创建 PDF、合并、拆分、旋转及最终质量校验。当用户提供 .pdf 文件或 HTTPS PDF 地址，或要求总结、读取、识别扫描件、生成、编辑、转换或审阅 PDF 时使用。

PDF 处理

强制执行规则

当前智能体不能执行 shell、任意 Python 代码或系统命令。只能通过 execute_skill_script 调用本 Skill 中真实存在的固定脚本。

• 只调用下表列出的可执行脚本。
• 不执行 scripts/ 目录，不执行内部模块 scripts/_pdf_common.py。
• 不传 -c、python3、ls、pdftoppm 或其他 shell/系统命令作为脚本参数。
• 不创建或猜测脚本清单以外的文件。
• 每次检查脚本返回的 JSON；只有 ok 为 true 时才继续。
• 收到 ok: false 时，依据 error 调整合法参数或向用户说明失败原因，不要把参数改传给其他脚本碰运气。
• 阅读或总结时只使用 pages[] 中 usable_for_summary: true 的文本。needs_ocr: false 时不得为了“常规检查”继续 OCR、渲染或调用图片识别。
• 不把 PDF 密码作为脚本参数；工具调用参数可能进入运行日志。

脚本清单

脚本	用途	底层能力
scripts/download_pdf.py	下载并校验远程 HTTPS PDF	urllib、pypdf
scripts/inspect_pdf.py	检查页数、加密、元数据、页面尺寸和表单数量	pypdf
scripts/extract_text.py	多引擎提取、质量检测并分段返回正文	Poppler pdftotext、pdfplumber；pypdf 校验
scripts/ocr_text.py	对指定扫描页执行离线 OCR 并返回可靠文字	RapidOCR、ONNX Runtime、Poppler pdftoppm
scripts/extract_tables.py	按页提取表格	pdfplumber
scripts/render_pdf.py	把指定页面渲染为 PNG	Poppler pdftoppm
scripts/create_pdf.py	从 UTF-8 文本或 Markdown 创建 PDF	reportlab、pypdf
scripts/manage_pdf.py	合并、拆分或旋转 PDF	pypdf
scripts/cleanup_pdf_temp.py	安全删除本次任务临时目录	Python 文件 API

环境已预置所有依赖。不要安装依赖，也不要提示用户安装依赖。

标准流程

1. 为任务选择简短目录名，把中间文件放在 tmp/pdfs/<任务名>/。
2. 远程 HTTPS 链接先调用 download_pdf.py；本地文件直接进入下一步。
3. 调用 inspect_pdf.py 检查文件。遇到加密 PDF 时停止处理，请用户提供已解密副本；当前固定脚本不接收密码。
4. 阅读或总结时调用 extract_text.py。结果为 usable_for_summary: true 时使用可靠页文本并根据游标继续；同时为 needs_ocr: false 时直接回答，不调用 OCR、渲染或图片识别。
5. 只有 extract_text.py 返回 needs_ocr: true 时，才对 text_quality.suspect_pages 调用 ocr_text.py。原生可靠文本优先，OCR 只补齐可疑页，不重复识别正常页。
6. ocr_text.py 会在脚本内部临时渲染指定页面并交给本地 RapidOCR，完成后自动删除 PNG；普通扫描件解析不调用大模型识图，也不需要先调用 render_pdf.py。
7. 仅在用户明确要求检查视觉版式，或任务涉及创建/修改 PDF 时调用 render_pdf.py。
8. 创建或修改后的最终 PDF 写入 output/pdf/，重新执行检查、文本提取和全部页面渲染。
9. 最终产物位于临时目录之外且不再需要缓存时，调用 cleanup_pdf_temp.py 清理本次任务目录。

下载远程 PDF

只接受 HTTPS 地址。完整保留 URL 及查询参数，不在回复、日志摘要或文件名中复述敏感参数。

调用 scripts/download_pdf.py：

--url 'https://example.com/document.pdf' --output 'tmp/pdfs/<任务名>/source.pdf'

可选参数：

• --timeout <秒>：默认 60。
• --max-bytes <字节数>：默认 104857600（100 MiB）。
• --overwrite：仅在目标是本次任务生成的缓存时使用。

脚本会创建父目录、流式下载、阻止 HTTPS 重定向降级到 HTTP，并验证 PDF。成功结果包含 path、size_bytes、page_count 和 encrypted。

检查 PDF

调用 scripts/inspect_pdf.py：

--input 'tmp/pdfs/<任务名>/source.pdf'

使用返回的 page_count、encrypted、metadata、page_layouts 和 form_field_count 判断后续处理方式。不要直接调用 pdfinfo。

提取正文

首次调用 scripts/extract_text.py：

--input 'tmp/pdfs/<任务名>/source.pdf'

默认使用 auto 引擎：先由 Poppler pdftotext 提取；结果不可用或命令不可用时自动尝试 pdfplumber，并可逐页选择质量更好的结果。脚本使用 pypdf 获取标准页数，并拒绝把页数不一致的提取结果当作成功。不要直接执行 pdftotext。

默认单次最多处理 8 页、返回 24000 个字符。可使用：

• --start-page <页码>、--end-page <页码>：页码从 1 开始。
• --start-offset <字符偏移>：继续读取被字符上限截断的同一页；大于 0 时同时传入上次返回的 next_engine。
• --max-pages <页数>、--max-chars <字符数>：控制单次输出。
• --layout：仅在需要尽量保留版面空格时使用。
• --engine <auto|poppler|pdfplumber>：首次及跨页提取保持 auto；同页字符续读时传入上次返回的 next_engine。
• --timeout <秒>：Poppler 提取超时，默认 120。

先检查 usable_for_summary 和 text_quality.status：

• usable_for_summary: true：只使用 pages[] 中同样标为 usable_for_summary: true 的 text；可疑页的文本会被置空。如果 has_more: true，始终传回 next_page 和 next_offset。仅当 next_offset 大于 0 时，把非空的 next_engine 传给 --engine 以固定同页字符游标；这种调用只续读当前页。当前页完成后返回的 next_offset 为 0，此时不要传 --engine，让下一页重新使用 auto。保留首次调用的 --end-page（如果指定）及其他选项，直至 has_more: false。
• usable_for_summary: false：本批次没有可靠文本，不要使用返回内容。查看 engine_attempts、text_quality.reasons、text_quality.suspect_pages 和 needs_ocr；若 has_more: true，仍按跨页游标继续检查后续批次，避免漏掉后续可搜索文本。
• needs_ocr: true：一个或多个页面未得到可靠文本。把 text_quality.suspect_pages 中实际需要阅读的页码传给 ocr_text.py；不要先调用 render_pdf.py，也不要把临时图片交给大模型。

complete_text_coverage: true 表示本批次所有页面均有可靠文本。text_quality 按页检测空白或过少文本、页面实际可见图像覆盖过大但文字不足、(cid:...)、Unicode 替换字符、异常控制字符及外观像汉字的部首字符；pages[].extractor 表示该页最终采用的引擎。status: mixed 表示同一批次同时包含可靠页和可疑页：可先使用可靠页文本，同时只核验 suspect_pages。不要只根据“肉眼看起来能读”判定提取结果可靠。

本地 OCR 扫描页

仅当 extract_text.py 返回 needs_ocr: true 时调用 scripts/ocr_text.py。--pages 必须明确指定 text_quality.suspect_pages 中要读取的页，单次最多 4 页：

--input 'tmp/pdfs/<任务名>/source.pdf' --pages '2,5-6'

默认以 260 DPI 临时渲染，并使用镜像中预置的 RapidOCR 与 ONNX Runtime 在本地识别。脚本不会联网下载模型，不会保留渲染图片，也不会调用大模型视觉能力。可选参数：

• --dpi <150-400>：文字过小或识别质量不足时适度提高，默认 260。
• --max-chars <字符数>：默认 24000，最大 60000。
• --timeout <秒>：每页 Poppler 渲染超时，默认 180。
• --start-offset <字符偏移>：续读被字符上限截断的单页；使用时 --pages 只能包含该页。

只使用 pages[] 中 usable_for_summary: true 的 text。status: empty、sparse 或 low_confidence 的页面文本会被置空，并通过 needs_review: true 提醒人工检查。

如果 has_more: true：

• next_offset > 0：用 --pages <next_page> --start-offset <next_offset> 续读同一页。
• next_offset = 0：用返回的 remaining_pages 继续下一批。
• 同页续读完成后，再处理先前返回的其他 remaining_pages。

OCR 结果中的 mean_confidence、line_count、render_seconds 和 ocr_seconds 仅用于判断质量与性能。原生提取成功的页面始终采用 extract_text.py 结果，不用 OCR 覆盖。

提取表格

调用 scripts/extract_tables.py：

--input 'tmp/pdfs/<任务名>/source.pdf' --start-page 1

默认单次最多处理 5 页、20 个表格和 2000 个单元格。可用 --end-page、--start-table、--max-pages、--max-tables、--max-cells 调整。若 has_more: true，把 next_page 传给 --start-page、next_table 传给 --start-table 后继续，并保留首次调用的 --end-page（如果指定）及其他提取选项。

渲染页面

只有满足以下任一条件时才调用 scripts/render_pdf.py：

• 用户明确要求审阅版式、图表、印章、公式或页面外观；
• 创建或修改 PDF 后进行最终视觉检查。

不要因为输入是 PDF、需要总结、需要 OCR 或需要检查首页就自动调用本脚本；OCR 的临时渲染由 ocr_text.py 内部完成。调用脚本时不要直接执行 pdftoppm：

--input 'tmp/pdfs/<任务名>/source.pdf' --output-dir 'tmp/pdfs/<任务名>/rendered' --start-page 1

默认 150 DPI、单次最多 10 页。可使用 --end-page、--max-pages、--dpi、--timeout 和 --overwrite。若 has_more: true，使用 next_page 继续，并保留首次调用的 --end-page（如果指定）、输出目录及其他渲染选项。脚本返回标准化的 page-0001.png 文件路径。

对文字较小或图表密集的页面提高 DPI。使用可用的图像查看工具检查返回的 PNG，不要尝试把图片路径交给下载脚本。

创建 PDF

先使用 write_file 把内容写为 UTF-8 .txt 或 .md 文件，再调用 scripts/create_pdf.py：

--input 'tmp/pdfs/<任务名>/content.md' --output 'output/pdf/<文件名>.pdf' --title '文档标题'

脚本支持 Markdown 标题、项目符号和简单表格，自动选择可嵌入的 Unicode 字体并添加页码。可选参数：

• --page-size <A4|LETTER>
• --font-path <TTF或TTC路径>
• --font-size <字号>
• --margin <points>
• --overwrite

输入内容只使用 ASCII 连字符 -；脚本也会把常见 Unicode 横线规范化为 ASCII 连字符。

合并、拆分与旋转

调用 scripts/manage_pdf.py，第一个参数必须是操作名。

合并：

merge --input 'a.pdf' --input 'b.pdf' --output 'output/pdf/merged.pdf'

拆分指定范围：

split --input 'source.pdf' --output-dir 'output/pdf/split' --range 1-3 --range 4-6

不传 --range 时每页生成一个 PDF。

旋转指定页面：

rotate --input 'source.pdf' --output 'output/pdf/rotated.pdf' --pages '1,3-5' --degrees 90

--degrees 只能是 90、180 或 270；不传 --pages 时旋转全部页面。目标已存在且确认可覆盖时添加 --overwrite。

清理临时目录

调用 scripts/cleanup_pdf_temp.py：

--task-dir 'tmp/pdfs/<任务名>'

脚本只允许删除本 Skill 的 tmp/pdfs/ 下一级任务目录，拒绝删除根目录、仓库目录或其他路径。

质量要求

• 不覆盖用户提供的源文件。
• 创建或修改后重新检查页数、页面尺寸、加密状态和文本可读性。
• 扫描件先做原生文字检测，再只 OCR 可疑页；不得把低置信度 OCR 文本当作可靠正文。
• 逐页确认没有裁切、重叠、溢出、乱码、黑方块、错误分页或异常空白页。
• 检查标题层级、段落间距、页边距、表格、图表、图片、页码及章节衔接。
• 引用和参考文献必须可读，不得残留工具令牌、占位符或临时路径。
• 只有最新渲染结果不存在可见缺陷时才交付创建或修改后的 PDF。