name: pdf-intelligence-suite description: PDF智能处理套件 - 文本提取、表格识别、OCR、PDF转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智能处理套件

中文描述

概述

PDF智能处理套件是一个功能强大的PDF文档处理工具集，提供文本提取、表格识别、OCR文字识别、格式转换等一站式服务。

功能特性

• 📄 文本提取: 从PDF中提取纯文本或结构化文本，支持多种布局分析
• 📊 表格识别: 自动识别PDF中的表格并提取为结构化数据（CSV/Excel）
• 🔍 OCR识别: 对扫描件和图片型PDF进行文字识别，支持多语言
• 🔄 格式转换: PDF转Word、PDF转Excel、PDF转图片等
• ✂️ 页面操作: 合并、拆分、旋转、删除页面
• 🔒 安全处理: 加密、解密、添加水印、数字签名
• 📝 元数据管理: 读取和修改PDF文档属性

技术栈

• PyPDF2: PDF基础操作（合并、拆分、加密等）
• pdfplumber: 高级文本和表格提取，精准定位
• camelot-py: 专业表格识别引擎
• pytesseract: OCR文字识别（需安装Tesseract）
• pdf2image: PDF转图片
• reportlab: PDF生成和编辑
• Pillow: 图像处理

目录结构

pdf-intelligence-suite/
├── SKILL.md              # 本文件
├── README.md             # 使用文档
├── requirements.txt      # 依赖声明
├── setup.py              # 安装配置
├── src/
│   └── pdf_intelligence_suite/
│       ├── __init__.py
│       ├── extractor.py      # 文本提取模块
│       ├── tables.py         # 表格识别模块
│       ├── ocr.py            # OCR识别模块
│       ├── converter.py      # 格式转换模块
│       ├── manipulator.py    # 页面操作模块
│       ├── security.py       # 安全处理模块
│       └── utils.py          # 工具函数
├── examples/
│   └── basic_usage.py    # 使用示例
└── tests/
    └── test_pdf_suite.py # 单元测试

快速开始

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

安装

pip install -r requirements.txt

# 安装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: 下载安装包 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

来源于7w4.net。

• 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

这个PDF处理工具功能比较全面，能满足文本提取、表格识别、格式转换等常见需求。文档清晰易懂，中英文都有，新手容易上手。整体质量中规中矩，部分高级功能在实际使用中可能会遇到配置或兼容性问题，比如需要额外安装OCR引擎等。建议对新手更友好一些，减少环境配置的复杂度。