Pdf Image Text Extractor

Name: Pdf Image Text Extractor
Author: redfox-data

redfox-data/redfox-community

238 installs
316 repo stars
Updated August 4, 2026
redfox-data/redfox-community

Use pdf-image-text-extractor for development tasks

About

pdf-image-text-extractor: A skill for development. This provides functionality for development workflows.

pdf-image-text-extractor

Pdf Image Text Extractor by the numbers

238 all-time installs (skills.sh)
+19 installs in the week ending Aug 4, 2026 (Skillselion tracking)
Ranked #1,585 of 4,347 Backend & APIs skills by installs in the Skillselion catalog
Data as of Aug 5, 2026 (Skillselion catalog sync)

npx skills add https://github.com/redfox-data/redfox-community --skill pdf-image-text-extractor

Add your badge

Show developers this skill is listed on Skillselion. Paste this into your README.

[![Listed on Skillselion](https://skillselion.com/badge/skills/redfox-data/redfox-community/pdf-image-text-extractor.svg)](https://skillselion.com/skills/redfox-data/redfox-community/pdf-image-text-extractor)

Installs	238
repo stars	★ 316
Last updated	August 4, 2026
Repository	redfox-data/redfox-community ↗

What it does

Use pdf-image-text-extractor for development tasks

Files

SKILL.mdMarkdownGitHub ↗

PDF和图片文字提取

---

1. 简介

PDF和图片文字提取是一款从图片和 PDF 文档中智能识别并提取文字内容的工具。无论是手机拍摄的图片、扫描版 PDF 还是电子版 PDF，都能自动检测文字存在性、提取全部文字并保留原始排版格式，最终输出结构化的 Markdown 文本。

核心价值：告别手动抄录，一键提取文档中的文字，节省 90% 的转录时间。

适用对象：学生（提取教材/论文文字）、办公人员（提取合同/发票信息）、内容创作者（提取参考资料）、开发者（批量处理文档）。

---

2. 功能特性

功能	说明
📷 图片文字识别	支持 PNG、JPG、JPEG、GIF、WebP、BMP 等常见格式，自动检测并提取图片中的文字
📄 PDF 文字提取	同时支持扫描版和文字版 PDF，保留段落结构和标题层级
🎯 智能判断	自动判断文档是否包含文字，无文字时明确提示，避免空等
📝 结构化输出	输出 Markdown 格式，标题、正文、段落层次分明，可直接阅读或二次编辑
🌐 多语言支持	支持中文、英文等多种语言文字的识别和提取
🔒 隐私保护	处理的文件仅在当前会话中使用，不会被持久化存储

特色亮点：

图片文字提取无需安装任何额外依赖，直接使用内置 read_image 工具
PDF 文字提取采用 PyMuPDF 引擎，精准识别字体大小和粗体格式，自动生成 Markdown 标题层级
输出结果可灵活选择：直接展示、保存为 .md 文件、或嵌入其他文档

---

3. 一键安装

依赖安装

依赖	说明	安装命令
`pymupdf>=1.23.0`	PDF 文字提取核心引擎	`pip install pymupdf>=1.23.0`

注意：图片文字提取功能直接使用 AI 内置的 read_image 工具，无需安装任何额外依赖。pymupdf 仅在需要提取 PDF 文字时才需安装。

环境要求

Python 3.7+
支持的操作系统：macOS / Linux / Windows

---

4. 使用指南

图片文字提取

操作流程：

1. 上传图片 — 将包含文字的图片文件上传到对话中 2. 自动识别 — 智能体使用 read_image 工具自动识别图片内容，提取所有文字（包括标题、正文、注释、水印等） 3. 判断文字存在性 — 如果检测到文字，进入下一步；如果未检测到文字，智能体会明确告知"图片中未包含可提取的文字" 4. 格式化输出 — 保持原有的文字结构和排版，整理为易读的格式

可选分支：

当用户仅需查看文字内容：直接输出文字，不生成文件
当用户要求保存结果：生成 .md 文件
当图片文字模糊或难以识别：说明情况并提供最佳识别结果

PDF 文字提取

操作流程：

1. 上传 PDF 文件 — 将 PDF 文件上传到对话中 2. 执行提取脚本：

python scripts/pdf_text_extractor.py <pdf_file_path>

3. 查看提取结果 — 脚本返回 JSON 格式结果，包含：

success: 是否成功
text: Markdown 格式的文本内容
page_count: 总页数
error: 错误信息（如有）

4. 格式化输出 — 脚本返回的文本为 Markdown 格式，可直接展示或保存为文件

脚本参数说明：

参数	说明	必填
`<pdf_file_path>`	PDF 文件的本地路径	是

输出格式示例：

{
  "success": true,
  "text": "## 第一章 引言\n\n这是正文内容...\n\n---\n\n## 第二章 方法\n\n...",
  "page_count": 10,
  "error": ""
}

可选分支：

当 PDF 包含扫描图片：提示用户该页面为扫描图片，可能需要 OCR 处理
当提取失败：检查文件是否存在、格式是否正确、PDF 是否加密

常用命令 / 指令速查表

场景	命令 / 操作
提取图片文字	上传图片，直接让智能体识别
提取 PDF 文字	`python scripts/pdf_text_extractor.py <路径>`
仅查看不保存	提取后直接输出文本即可
保存为文件	提取后要求智能体生成 `.md` 文件
安装依赖	`pip install pymupdf>=1.23.0`

---

5. 使用场景

场景	角色	需求	使用方式	预期收益
🔬 学术研究	研究生 / 学者	从扫描版 PDF 论文中提取文字做笔记和引用	上传 PDF → 执行提取脚本 → 获取 Markdown 原文	无需手动打字，准确率 95%+，直接复制到论文中引用
💼 办公文档处理	行政 / 法务 / 财务	从图片合同、发票、扫描件中提取关键文字信息	上传图片 → 智能体识别 → 提取文字	告别逐字手打，提升文档数字化效率
✍️ 内容二次创作	自媒体 / 编辑	从 PDF 电子书中提取文字作为创作素材	上传 PDF → 提取全部文字 → 保存为 .md 编辑	快速获取原文，聚焦内容创作而非转录
💻 批量文档处理	开发者 / 数据分析师	批量处理多个 PDF 文档，提取结构化数据	编写脚本循环调用 `pdf_text_extractor.py`	自动化处理，可集成到数据处理流水线中

---

6. 项目架构

目录结构

pdf-image-text-extractor/
├── SKILL.md                          # Skill 定义文件
├── README.md                         # 用户文档（中文）
├── README.en.md                      # 用户文档（英文）
└── scripts/
    └── pdf_text_extractor.py         # PDF 文字提取核心脚本

技术栈

技术	用途	版本要求
Python	脚本运行环境	3.7+
PyMuPDF (fitz)	PDF 解析和文字提取引擎	>=1.23.0
urllib	内置标准库，用于 HTTP 请求	Python 内置

核心模块说明

`scripts/pdf_text_extractor.py` — PDF 文字提取核心脚本：

`extract_text_from_pdf(pdf_path)` — 主提取函数，打开 PDF 文件，逐页解析文本块，根据字体大小（>16px 判定为标题）和粗体属性自动生成 Markdown 格式（## 和 ### 标题），输出含页面分隔符的结构化文本
`record_skill_usage()` — 调用 Redfox 记录接口，记录工具使用次数（不影响主流程）
`main()` — CLI 入口，接收 PDF 文件路径参数，调用提取函数并输出 JSON 结果

资源索引

资源	路径	说明
核心脚本	scripts/pdf_text_extractor.py	PDF 文字提取脚本
用户文档	README.md	中文使用说明
用户文档	README.en.md	英文使用说明

---

7. 常见问答

安装

Q：安装 pymupdf 时报错怎么办？ A：确保 Python 版本 >= 3.7。部分系统可能需要先安装系统级依赖：macOS 可尝试 brew install mupdf，Linux 可尝试 apt-get install libmupdf-dev。

Q：是否必须安装 pymupdf？ A：如果只使用图片文字提取功能，无需安装。仅在需要提取 PDF 文字时才需要安装 pymupdf。

使用

Q：图片文字提取的准确率如何？ A：文字识别结果受图片清晰度、字体、背景等因素影响。清晰图片准确率可达 95%+，模糊或复杂背景的图片准确率会下降。

Q：PDF 提取后文字格式是什么样的？ A：脚本自动生成 Markdown 格式输出，大字体行自动转为 ## 标题，粗体大字体为 ### 标题，不同页面之间用 --- 分隔。

Q：能否处理加密的 PDF？ A：不支持加密或受密码保护的 PDF 文件。需要先解密后再提取。

Q：提取的文字可以保存吗？ A：可以。提取后要求智能体生成 .md 文件即可保存到本地。

故障排除

Q：PDF 提取结果为空怎么办？ A：可能原因：1) PDF 是扫描图片（图片型 PDF），需要使用 OCR 工具；2) PDF 本身不含文字层。对于扫描版 PDF，建议先使用 OCR 工具预处理。

Q：文件过大导致处理缓慢？ A：建议处理小于 50MB 的文件。过大的文件可在提取前进行分割处理。

Q：提示"文件不存在"？ A：确认 PDF 文件路径正确，文件已上传到工作目录中。可使用绝对路径避免路径问题。

Q：图片中未检测到文字？ A：可能原因：1) 图片确实不含文字；2) 图片中的文字过于模糊或与背景融合。尝试使用更高清晰度的图片重新提取。

PDF & Image Text Extractor / pdf-image-text-extractor

---

Introduction

Recognize and extract text from images or PDF documents. Supports multiple image formats and PDF files, automatically detects text presence, preserves original formatting, and outputs structured results.

Core Value

Dual Format Coverage: Supports both images (PNG, JPG, GIF, WebP, etc.) and PDF documents — one tool for both scenarios.
Format Preservation: Maintains original paragraph structure, heading hierarchy, and layout order during extraction, minimizing rework.
Flexible Output: View extracted results directly or save as a Markdown file — choose what works for you.

Who It's For

📄 Office Workers — Quickly extract editable text from scans and screenshots, eliminating manual transcription.
🎓 Students / Researchers — Extract text from PDF papers and course materials for easy citation and organization.
💼 Content Creators — Pull text from image assets and convert to editable copy for further editing.

---

Features

Core Features

Image Text Recognition: Upload an image and automatically detect and extract all text content — titles, body text, annotations, watermarks — while preserving the original layout.
PDF Text Extraction: Extract text from all pages of text-based PDFs, retaining paragraph structure and heading hierarchy, output in Markdown format.
Text Presence Detection: Automatically determines whether an image or page contains extractable text and promptly informs you when none is found.
Multi-language Support: Recognizes text in Chinese, English, and other languages.
Scanned PDF Detection: When a PDF page is a scanned image, alerts you that direct extraction is unavailable and suggests OCR processing.
Result Saving: Extracted results can be saved as a .md file on demand, including source, extraction status, and text content.

---

Usage Guide

Simply describe your need in natural language and upload an image or PDF — no commands to memorize.

Quick Reference

Intent	Example Phrase	Result
Extract image text	"Extract the text from this image"	Recognizes all text in the image, preserving original layout
Extract PDF text	"Extract the text from this PDF"	Extracts text page by page, retaining paragraphs and heading levels
Extract and save	"Extract the text from this PDF and save it"	Extracts text and generates a `.md` file
Handle scanned PDF	"Read the text from this scanned document"	Detects scanned pages and alerts you; extracts from text-based pages

---

Use Cases

Scenario	Role	Example Phrase	Benefit
Image text to editable copy	Office Worker	"There's text in this screenshot, extract it"	Skip manual typing, get editable text quickly
PDF paper excerpt	Student / Researcher	"Extract the text from this PDF paper"	Preserve original structure for easy citation and organization
Scanned document content	Admin / Finance	"Can you read the text from this scan?"	Auto-detect scanned pages; extract from text-based pages normally
Asset text re-purposing	Content Creator	"Convert the copy in this image to text"	Quickly get text assets for re-editing and publishing

PDF和图片文字提取 / pdf-image-text-extractor

---

简介

从图片或 PDF 文档中识别并提取文字内容，支持多种图片格式和 PDF 文件，自动判断是否包含文字并保留原始格式输出结构化结果。

核心价值

双格式覆盖：同时支持图片（PNG、JPG、GIF、WebP 等）和 PDF 文档，一个工具搞定两类场景。
格式保留：提取时尽量保持原文的段落结构、标题层级和排版顺序，减少二次整理。
灵活输出：可直接查看提取结果，也可保存为 Markdown 文件，按需选择。

适用对象

📄 办公人士 — 快速从扫描件、截图中提取可编辑文字，免去手动录入。
🎓 学生 / 研究者 — 从 PDF 论文、课件中提取文字内容，便于引用与整理。
💼 内容创作者 — 从图片素材中获取文字素材，转为可编辑文本再加工。

---

功能特性

核心功能

图片文字识别：上传图片后自动检测并提取其中的标题、正文、注释、水印等所有文字内容，保持原有排版。
PDF 文字提取：从文字版 PDF 中提取全部页面文本，保留段落结构与标题层级，输出为 Markdown 格式。
文字存在性判断：自动判断图片或页面中是否包含可提取文字，无文字时及时告知。
多语言支持：支持识别中文、英文等多种语言文字。
扫描版 PDF 检测：当 PDF 页面为扫描图片时，提示用户该页面无法直接提取，建议使用 OCR 处理。
结果保存：提取结果可按需保存为 .md 文件，包含文件来源、提取状态与文字内容。

---

使用指南

直接用自然语言描述需求，上传图片或 PDF 即可，无需记忆命令。

常用说法速查

意图	示例话术	效果
提取图片文字	「帮我把这张图片里的文字提取出来」	识别图片中的所有文字，保持原有排版输出
提取 PDF 文字	「提取这个 PDF 的文字」	逐页提取 PDF 文本，保留段落与标题结构
提取并保存	「把这份 PDF 的文字提取出来保存」	提取文字并生成 `.md` 文件
处理扫描版 PDF	「这份扫描件里的文字帮我读出来」	检测扫描页面并提示，对可提取部分正常输出

---

使用场景

场景	角色	示例问法	收益
图片文字转可编辑	办公人士	「截图里有段话，帮我提取出来」	免去手动录入，快速获得可编辑文字
PDF 论文摘录	学生 / 研究者	「把这篇 PDF 的文字提取出来」	保留原文结构，方便引用与整理
扫描件内容获取	行政 / 财务	「这份扫描件能读出文字吗」	自动检测扫描页面，对可提取部分正常输出
素材文字再加工	内容创作者	「图片里的文案帮我转成文字」	快速获取文字素材，便于二次编辑与发布

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
PDF 文字提取脚本
功能：从 PDF 文件中提取文本内容并保留格式，输出为 Markdown 格式
"""

import sys
import json
from pathlib import Path
import urllib.request
import urllib.error

try:
    import fitz  # PyMuPDF
except ImportError:
    print(json.dumps({
        'success': False,
        'error': '缺少依赖：pymupdf。请安装：pip install pymupdf',
        'text': '',
        'page_count': 0
    }, ensure_ascii=False))
    sys.exit(1)


def extract_text_from_pdf(pdf_path: str) -> dict:
    """
    从 PDF 文件中提取文本内容并保留格式
    
    参数:
        pdf_path: PDF 文件路径
    
    返回:
        dict: {
            'success': bool,
            'text': str,  # Markdown 格式的文本
            'page_count': int,
            'error': str (如果失败)
        }
    """
    try:
        # 验证文件存在
        pdf_file = Path(pdf_path)
        if not pdf_file.exists():
            return {
                'success': False,
                'error': f'文件不存在：{pdf_path}',
                'text': '',
                'page_count': 0
            }
        
        # 验证文件格式
        if not pdf_file.suffix.lower() == '.pdf':
            return {
                'success': False,
                'error': f'文件格式错误：{pdf_file.suffix}，仅支持 PDF 格式',
                'text': '',
                'page_count': 0
            }
        
        # 打开 PDF 文件
        doc = fitz.open(pdf_path)
        page_count = len(doc)
        
        if page_count == 0:
            return {
                'success': False,
                'error': 'PDF 文件为空，无任何页面',
                'text': '',
                'page_count': 0
            }
        
        # 提取所有页面的文本
        markdown_content = []
        
        for page_num in range(page_count):
            page = doc[page_num]
            
            # 添加页面分隔符
            if page_num > 0:
                markdown_content.append('\n---\n')
            
            # 提取文本块
            blocks = page.get_text("dict")["blocks"]
            page_text = []
            
            for block in blocks:
                if block["type"] == 0:  # 文本块
                    block_text = []
                    for line in block["lines"]:
                        line_text = ""
                        for span in line["spans"]:
                            text = span["text"].strip()
                            if text:
                                # 检测是否为标题（通过字体大小判断）
                                font_size = span["size"]
                                is_bold = "bold" in span["font"].lower()
                                
                                if font_size > 16:  # 大字体可能是标题
                                    if line_text:
                                        block_text.append(line_text)
                                    line_text = f"## {text}" if not is_bold else f"### {text}"
                                else:
                                    line_text += text + " "
                        
                        if line_text.strip():
                            block_text.append(line_text.strip())
                    
                    if block_text:
                        page_text.append('\n'.join(block_text))
            
            markdown_content.append('\n\n'.join(page_text))
        
        doc.close()
        
        # 合并所有内容
        full_text = '\n'.join(markdown_content)
        
        # 清理多余的空行
        while '\n\n\n' in full_text:
            full_text = full_text.replace('\n\n\n', '\n\n')
        
        return {
            'success': True,
            'text': full_text.strip(),
            'page_count': page_count,
            'error': ''
        }
        
    except Exception as e:
        return {
            'success': False,
            'error': f'处理 PDF 时发生错误：{str(e)}',
            'text': '',
            'page_count': 0
        }


def record_skill_usage():
    """
    记录工具调用，每次使用时调用一次记录接口
    接口地址：https://redfox.hk/story/api/skill/record/save
    固定参数：source = pdf提取图片
    """
    try:
        url = 'https://redfox.hk/story/api/skill/record/save'
        data = json.dumps({'source': 'pdf提取图片'}, ensure_ascii=False).encode('utf-8')
        req = urllib.request.Request(
            url,
            data=data,
            headers={'Content-Type': 'application/json'},
            method='POST'
        )
        with urllib.request.urlopen(req, timeout=5) as resp:
            resp.read()
    except Exception:
        # 记录接口调用失败不影响主流程，静默忽略
        pass


def main():
    """主函数"""
    if len(sys.argv) < 2:
        print(json.dumps({
            'success': False,
            'error': '请提供 PDF 文件路径作为参数',
            'text': '',
            'page_count': 0
        }, ensure_ascii=False))
        sys.exit(1)

    pdf_path = sys.argv[1]
    result = extract_text_from_pdf(pdf_path)

    # 记录接口调用
    record_skill_usage()

    # 输出 JSON 格式结果
    print(json.dumps(result, ensure_ascii=False, indent=2))

    # 如果失败，退出码为 1
    if not result['success']:
        sys.exit(1)


if __name__ == '__main__':
    main()