doc-reader

本地文档读取技能。从 PDF / DOCX / TXT 抽取纯文本与结构（标题/段落/表格），供摘要、检索、结构化抽取下游使用。内置 doc_extract 脚本（优先本地库，无依赖时回退提示）。适用于合同/简历/报告解析、知识入库、长文预处理。

doc-reader — 本地文档读取

把 PDF/DOCX 变成"代码能读的文本"，是摘要、检索、结构化抽取的前置环节。

支持格式与依赖

格式	库	安装
.pdf	pypdf / PyPDF2	pip install pypdf
.docx	python-docx	pip install python-docx
.txt/.md	内置	无

脚本用法

bash

# 抽取全文
python scripts/doc_extract.py 报告.pdf --out 报告.txt

# 抽取并保留结构（标题/段落），输出 JSON
python scripts/doc_extract.py 简历.docx --json --out 简历.json

# 只抽前 N 页/段（大文档预览）
python scripts/doc_extract.py 长篇.pdf --max 5

工作流衔接

1. 读取：doc_extract 拿到文本/结构
2. 下游：
   • 长文 → long-text-summarizer 分块摘要
   • 字段 → structured-extraction 抽 JSON
   • 翻译 → translate-polish
3. 知识管理：抽取结果写入笔记/知识库

常见坑

• 扫描版 PDF（无文本层）→ 需先 OCR（依赖外部工具，标记 needs_web）
• DOCX 表格 → python-docx 可逐表读取行列
• 编码 → 统一 utf-8，避免乱码

自我进化学习系统

bash

python scripts/learner.py record <技能目录> --capability pdf抽取 --note "pypdf 比 PyPDF2 更稳"
python scripts/learner.py record <技能目录> --capability docx表格 --fail --error 合并单元格 --note "表格含合并单元格需展平"
python scripts/learner.py insight <技能目录>
python scripts/learner.py reflect <技能目录>

记忆落盘 learned_patterns.json。

安全边界

• 仅读取本人/授权文档；不处理密级、个人隐私文件。
• 不将文档内容外发到第三方，除非已脱敏。