OCR 与文档 — 从 PDF/扫描件中提取文本（pymupdf, marker-pdf）

{/* 本页面由 website/scripts/generate-skill-docs.py 从技能 SKILL.md 自动生成。请编辑源 SKILL.md 而非本页面。 */}

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 Agent
许可证	MIT
平台	linux, macos, windows
标签	PDF, Documents, Research, Arxiv, Text-Extraction, OCR
相关技能	powerpoint

参考：完整 SKILL.md

:::info 以下是此技能被触发时 Hermes 加载的完整技能定义。这是技能激活时代理所看到的指令。 :::

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/笔记）。 此技能涵盖 PDF 和扫描文档。

步骤 1：是否有远程 URL？

如果文档有 URL，始终先尝试 web_extract：

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

此方式通过 Firecrawl 处理 PDF 到 Markdown 的转换，无需本地依赖。

仅在以下情况下使用本地提取：文件是本地文件、web_extract 失败，或需要批量处理。

步骤 2：选择本地提取器

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

决定： 除非需要 OCR、公式、表单或复杂布局分析，否则使用 pymupdf。

如果用户需要 marker 能力但系统缺少约 5GB 可用磁盘：

“此文档需要 OCR/高级提取（marker-pdf），这需要约 5GB 用于 PyTorch 和模型。你的系统有 [X]GB 可用。选项：释放空间、提供 URL 以便我使用 web_extract，或者我可以尝试 pymupdf（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/ # 提取图片
python scripts/extract_pymupdf.py document.pdf --metadata    # 标题、作者、页数
python scripts/extract_pymupdf.py document.pdf --pages 0-4   # 指定页面

内联：

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/  # 保存图片
python scripts/extract_marker.py scanned.pdf                 # 扫描 PDF（OCR）
python scripts/extract_marker.py document.pdf --use_llm      # LLM 增强精度

CLI（与 marker-pdf 一同安装）：

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

---

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 页到新的 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 在一个包中涵盖拆分、合并、搜索和文本提取。

---

注意

• web_extract 始终是 URL 的首选
• pymupdf 是安全默认——即时，无需模型，随处可用
• marker-pdf 用于 OCR、扫描文档、公式、复杂布局——仅在需要时安装
• 两个辅助脚本均接受 --help 查看完整用法
• marker-pdf 首次使用时会下载约 2.5GB 模型到 ~/.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）