Document Processor

PDF和Word文档处理技能，支持PDF-Word相互转换、页面提取、去水印、合并拆分等操作

文档处理技能 📄

专业的PDF和Word文档处理工具集，支持多种文档格式转换和编辑操作。

功能特性

1. PDF处理

• ✅ PDF页面提取（提取指定页面生成新PDF）
• ✅ PDF转Word（保留格式）
• ✅ PDF合并/拆分
• ✅ PDF去水印
• ✅ PDF压缩优化
• ✅ PDF添加水印/页眉页脚
• ✅ OCR页码识别（识别扫描件PDF中的页码）

2. Word处理

• ✅ Word转PDF
• ✅ Word文档合并
• ✅ Word内容提取
• ✅ Word格式清理

3. OCR功能

• ✅ 扫描件PDF文字识别
• ✅ 多语言支持（中英文等）
• ✅ 页码自动识别和映射
• ✅ 批量OCR处理

4. 其他功能

• ✅ 图片提取（从PDF中提取图片）
• ✅ 批量处理（处理多个文件）

工具依赖

本技能需要以下Python库：

• PyPDF2 - PDF处理
• python-docx - Word文档处理
• pdf2docx - PDF转Word
• Pillow - 图片处理
• pdfplumber - 高级PDF处理

安装命令：

pip install PyPDF2 python-docx pdf2docx pillow pdfplumber

使用示例

1. PDF页面提取

# 提取第14-29页
python3 pdf_extractor.py "input.pdf" "output_pages_14-29.pdf" -s 14 -e 29

# 提取特定页面
python3 pdf_extractor.py "input.pdf" "output_specific.pdf" -p "1,3,5-7,10"

2. PDF转Word

python3 pdf_to_word.py "document.pdf" "document.docx"

3. Word转PDF

python3 word_to_pdf.py "document.docx" "document.pdf"

4. PDF去水印

python3 remove_watermark.py "input.pdf" "output_no_watermark.pdf"

5. 批量PDF转Word

python3 batch_pdf_to_word.py "/path/to/pdf/folder" "/path/to/output/folder"

脚本文件

本技能包含以下Python脚本：

核心脚本

1. pdf_extractor.py - PDF页面提取工具
2. pdf_to_word.py - PDF转Word工具
3. word_to_pdf.py - Word转PDF工具
4. pdf_ocr.py - PDF OCR和页码识别工具
5. remove_watermark.py - PDF去水印工具
6. pdf_merger.py - PDF合并工具
7. pdf_splitter.py - PDF拆分工具

实用工具

8. batch_processor.py - 批量处理工具
9. pdf_compressor.py - PDF压缩工具
10. image_extractor.py - 图片提取工具
11. install_dependencies.py - 依赖安装工具
12. test_skill.py - 技能测试工具

使用指南

当用户需要处理文档时：

1. 识别需求：确定用户需要什么功能（转换、提取、编辑等）
2. 检查依赖：确保所需Python库已安装
3. 选择脚本：根据需求选择合适的脚本
4. 执行操作：运行相应的Python脚本
5. 验证结果：检查输出文件是否满足要求

高级功能

OCR页码识别

# 分析PDF页码结构
python3 pdf_ocr.py analyze "input.pdf" --start 1 --end 50 --language chi_sim+eng

# 根据标注页码提取页面
python3 pdf_ocr.py extract "input.pdf" "output.pdf" --start-label 14 --end-label 29 --language chi_sim+eng

自定义水印

# 添加文本水印
python3 add_watermark.py "input.pdf" "output.pdf" --text "CONFIDENTIAL" --position "center"

# 添加图片水印
python3 add_watermark.py "input.pdf" "output.pdf" --image "watermark.png" --opacity 0.3

批量处理

# 批量转换文件夹内所有PDF为Word
python3 batch_processor.py --input-dir "./pdfs" --output-dir "./docs" --operation "pdf2word"

# 批量提取所有PDF的封面
python3 batch_processor.py --input-dir "./pdfs" --output-dir "./covers" --operation "extract" --pages "1"

错误处理

• 文件不存在时提供清晰错误信息
• 格式不支持时建议转换方法
• 权限问题提示解决方案
• 内存不足时建议分批处理

性能优化

• 大文件处理时显示进度条
• 支持多线程批量处理
• 提供压缩选项减少文件大小
• 缓存中间结果避免重复处理

安全注意事项

• 验证输入文件格式
• 限制文件大小防止内存溢出
• 清理临时文件
• 不处理加密或受保护的PDF
• 用户确认后再执行删除操作

---

技能维护者：文档处理团队
最后更新：2026-03-01
版本：1.0.0
状态：✅ 生产就绪