name: pdf-ocr-md version: 3.4.0 description: 当用户需要从 PDF、图片、扫描件中提取文字内容时使用。适合处理合同、发票、报告等文档，尤其是中文扫描件、手机拍照的弯曲页面、歪斜的文档。支持 PP-OCRv6 三档模型 (Tiny/Small/Medium)。 related_skills: - ocr-and-documents

pdf-ocr-md — PDF → OCR → 结构化 Markdown [v3.4.0]

v3.4.0：SKILL.md 精简至 ~120 行（原 578 行），详细教程移至 references/，按需加载。对标 OpenAI 上下文压缩策略。

环境

快速选择（必读）

# ① 先试 LiteParse（文本层 PDF 秒出）
lit parse input.pdf --no-ocr -o output.txt

# ② 空结果 = 扫描件，按需选模型档位
#    tiny(1.5MB 极速) | small(7.7MB 均衡) | medium(34.5MB 高精度)
python scripts/pdf_ocr_v6.py input.pdf --tier small -o ./output

# ③ 低质量文档先预处理（deskew倾斜/orient方向/unwarp展平/--all全部）
python scripts/pdf_preprocess.py input.pdf -o ./preprocessed --all
python scripts/pdf_ocr_v6.py ./preprocessed/input_p001.jpg --tier medium -o ./output

工作流

输入文档
  ├── 有文本层 → lit parse --no-ocr（0.9ms/页）
  └── 扫描件 → 先预处理(倾斜/方向/展平) → ocr6(tiny|small|medium)

性能速查

准确率：PP-OCRv6 ~97%+，预处理后 ~98%+。公章/签名场景必须用 PaddleOCR（Tesseract 会乱码）。

按需加载的参考文档

所有详细教程已移至 references/，需要时读取：

注意事项

• 首次运行自动下载模型（~17MB，从 hf-mirror/modelscope 国内镜像）

  小葱技能站7w4.net发现了升级插件。

• 机器 3.6GB 内存，PaddleOCR 冷启动 ~300MB 峰值可承受
• 预处理对平整扫描件效果不明显，对手机拍照/弯曲文档提升 1~5%

这个 Skill 质量不错，功能丰富且迭代成熟。它能处理文本层 PDF 和扫描件，还支持弯曲文档矫正，OCR 准确率高。SKILL.md 简洁易读，详细用法放在参考资料里按需查看，设计很贴心。美中不足的是需要安装多个工具环境，首次使用要下载模型略显麻烦，另外多套工具的用途区分对新用户可能造成选择困难。