PDF Catalog

从 PDF 产品目录（模具图纸）中自动提取产品信息，生成结构化知识库和 Excel 填充数据。

Security Scan

The skill's code and instructions are consistent with its stated purpose (PDF text/OCR extraction and Excel filling); it requests no secrets, has no installer, and performs only local file processing.

Purpose & Capability

Name/description (PDF product catalog extraction, knowledgebase and Excel fill) match the included script and SKILL.md. Required tools (pdftotext/pdftoppm via poppler, optional docling OCR, openpyxl) are appropriate and proportional to the stated task. Known-mappings and examples are domain-specific but plausible.

Instruction Scope

SKILL.md instructs the agent to run the provided script on user-supplied PDF directories and write outputs to an output directory or Excel file. The instructions only reference local files, the specified binaries/libraries, and produce local outputs. There are no steps that read unrelated system files, environment secrets, or transmit data to external endpoints.

Install Mechanism

No automatic install spec included; the README/SKILL.md recommend installing poppler (pdftotext, pdftoppm) and Python packages via pip, which is standard for this functionality. There are no downloads from untrusted URLs or archive extraction steps in the skill bundle itself.

Credentials

The skill declares no required env vars, credentials, or config paths. The script similarly does not read environment secrets or external credentials. The dependency on third-party Python packages (docling, openpyxl) is justified by OCR and Excel functionality.

Persistence & Privilege

The skill is not forced-always, does not modify other skills, and does not request persistent platform privileges. It writes outputs to a user-specified output directory only.

Assessment

This skill appears coherent and limited to local PDF text/OCR extraction and Excel filling. Before running: 1) ensure you install poppler (pdftotext/pdftoppm) and the Python packages (docling, openpyxl) from trusted sources; 2) run it on copies or in a sandbox if the PDFs come from untrusted sources (malicious PDFs can exploit local viewers or native binaries); 3) back up any Excel files before automatic filling; 4) if you rely on docling, review that package (and its network behavior) if you have strict security requirements. If you need the agent to run this skill autonomously, note it will access whatever local PDF and output directories you provide but it does not request external credentials or network endpoints.

PDF 产品目录提取 Skill

技能名称： pdf-product-catalog
版本： 1.0
日期： 2026-03-23
作者： IRON 💪

---

📋 技能描述

从 PDF 产品目录（模具图纸）中自动提取产品信息，生成结构化知识库和 Excel 填充数据。

适用场景：

• 产品目录 PDF 批量处理
• 模具图纸信息提取
• 产品知识库建立
• Excel 产品数据填充

---

🎯 核心功能

1. PDF 文本提取 — pdftotext（矢量图）+ Docling OCR（图片格式 fallback）
2. 关键信息识别 — 模具号、包装规范、客户品名、长度
3. 错误排除 — 识别并排除包装规范（BJ0599-XXXX）误认为模具号
4. 知识库生成 — Markdown 词条 + JSON 结构化数据
5. Excel 填充 — 自动填充 SKU→模具号映射

---

📁 文件结构

pdf-product-catalog/
├── SKILL.md              # 技能说明（本文件）
├── scripts/
│   └── extract.py        # 主提取脚本
├── examples/
│   ├── sample_input.json # 输入示例
│   └── sample_output.md  # 输出示例
└── output/               # 输出目录（运行时生成）

---

🔧 使用方法

1️⃣ 基础用法

python3 skills/pdf-product-catalog/scripts/extract.py \
  --pdf-dir "/path/to/pdf/files" \
  --output-dir "/path/to/output"

2️⃣ 完整参数

python3 scripts/extract.py \
  --pdf-dir "/path/to/pdfs" \
  --output-dir "/path/to/output" \
  --excel-path "/path/to/excel.xlsx" \
  --ocr-threshold 300 \
  --verbose

3️⃣ 参数说明

参数	必需	说明	默认值
--pdf-dir	✅	PDF 文件目录	-
--output-dir	✅	输出目录	-
--excel-path	❌	Excel 文件路径（用于填充）	None
--ocr-threshold	❌	文本少于多少字符时启用 OCR	300
--verbose	❌	详细输出模式	False

---

📊 提取流程

Step 1: PDF 文本提取

# 优先使用 pdftotext（矢量图 PDF 准确快速）
result = subprocess.run(['pdftotext', pdf_path, '-'], capture_output=True, text=True)

# 如果文本太短（<300 字符），启用 OCR fallback
if len(text) < ocr_threshold:
    # 转图片 + Docling OCR
    subprocess.run(['pdftoppm', '-png', '-r', '300', pdf_path, img_path])
    ocr_result = converter.convert(img_path)
    text = ocr_result.document.export_to_markdown()

Step 2: 关键信息提取

# 1. 模具号 (MODEL NO.) - 优先级最高
model_match = re.search(r'MODEL\s+NO\.?\s*[:\|\s\n]*([A-Z]{2,}-\d+[A-Z]?)', text, re.IGNORECASE)

# 2. 包装规范 (Package No.) - BJ0599-XXXX 格式
pkg_matches = re.findall(r'(BJ0599-\d{4})', text)

# 3. 客户品名 (CUSTOMER ITEM)
ci_match = re.search(r'CUSTOMER ITEM\s*\n([A-Za-z0-9\-]+)', text, re.IGNORECASE)

# 4. 长度 (LENGTH)
length_matches = re.findall(r'(\d{2,4})\s*\+\d*\s*-\d*\s*(mm)?', text)

Step 3: 错误排除规则

# ❌ 排除规则 1: BJ0599-XXXX 是包装规范，不是模具号
if model_no.startswith('BJ0599-'):
    model_no = None  # 重新提取

# ❌ 排除规则 2: 客户品名不是模具号
if customer_item == model_no:
    # 可能模具号在图片中，需要 OCR 重新提取
    model_no = extract_with_ocr()

# ❌ 排除规则 3: 太短的字符串不是模具号
if len(model_no) < 5:
    model_no = None  # 如 "TP" 需要人工确认

Step 4: 知识库生成

# Markdown 词条
product_md = f"""# {pdf_file} 产品类目词条

## 基础信息
- **模具号 (MODEL NO.):** {model_no}
- **包装规范:** {', '.join(package_specs)}
- **客户品名:** {', '.join(customer_items)}
- **长度:** {', '.join(lengths)}

## 产品类目
（详细产品信息...）
"""

# JSON 数据
product_json = {
    'pdf_file': pdf_file,
    'model_no': model_no,
    'package_specs': package_specs,
    'customer_items': customer_items,
    'lengths': lengths,
    'products': [...]
}

Step 5: Excel 填充

# 建立 SKU→模具号映射
sku_to_model = {}
for product in products:
    for item in product['customer_items']:
        sku_to_model[item] = product['model_no']

# 填充 Excel
for row in ws.iter_rows(min_row=4):
    sku = row[3].value
    if sku in sku_to_model:
        row[2].value = sku_to_model[sku]  # Model 列

---

⚠️ 常见错误与排除

错误 1: BJ0599-XXXX 误认为模具号

现象： 模具号显示为 BJ0599-0001, BJ0599-0002 等

原因： BJ0599-XXXX 是包装规范（Package No.），不是模具号

排除方法：

if model_no.startswith('BJ0599-'):
    # 重新提取真正的模具号
    model_no = extract_real_model_no(text)

错误 2: 客户品名误认为模具号

现象： 模具号与客户品名完全相同（如 GCHDMIFF, HDACFM）

原因： PDF 的 MODEL NO. 字段在图片中，pdftotext 读不到

排除方法：

if model_no == customer_item:
    # 启用 OCR 重新提取
    model_no = extract_with_ocr()

错误 3: 模具号提取为空

现象： 模具号为 None 或空字符串

原因： PDF 格式特殊，文本层和 OCR 都提取失败

排除方法：

if not model_no:
    # 使用已知映射表 fallback
    model_no = known_mappings.get(pdf_file)

---

📝 输出示例

产品索引.md

# 599 客户产品知识库索引

**总计：** 58 个产品

**数据结构：** 模具号 → 客户品名 → 长度 + 包装规范

| 序号 | PDF 文件 | 模具号 | 包装规范 | 客户品名 | 长度 |
|------|----------|--------|----------|----------|------|
| 1 | 599-001.pdf | GCHDMIFF | BJ0599-0001 | GCHDMIFF | N/A |
| 8 | 599-008.pdf | OP-HD31 | BJ0599-0009 | 8K-A-30F-HDMI-CABLE | 9150mm |

产品详细数据.json

{
  "pdf_file": "599-008.pdf",
  "model_no": "OP-HD31",
  "package_specs": ["BJ0599-0009"],
  "customer_items": ["8K-A-30F-HDMI-CABLE", "8K-A-50F-HDMI-CABLE"],
  "lengths": ["9150mm", "15250mm"],
  "products": [
    {
      "customer_item": "8K-A-30F-HDMI-CABLE",
      "length": "9150mm",
      "package_spec": "BJ0599-0009"
    }
  ]
}

---

🔍 模具号规律参考

系列	格式	示例	数量
AD 系列	AD + 4 位数字 + 短横线 + 2-3 位	AD1002-005, AD1008	4 个
5001 系列	5001 + 短横线 + 3 位数字 + 字母	5001-125A, 5001-130A	9 个
5004 系列	5004 + 短横线 + 1-3 位 + 字母	5004-6A, 5004-65A	3 个
OP 系列	OP + 短横线 + 2 位字母 + 2 位数字	OP-HD31, OP-USB09	4 个
AP 系列	AP + 短横线 + 3 位数字 + 字母	AP-073A, AP-079A	2 个
DP 系列	DP + 短横线 + 3 位数字 + 字母	DP-033A, DP-034A	5 个

---

📦 依赖安装

# 系统依赖
brew install poppler  # pdftotext, pdftoppm

# Python 依赖
pip3 install docling openpyxl

---

🧪 测试命令

# 测试单个 PDF
python3 scripts/extract.py \
  --pdf-dir "/path/to/599" \
  --output-dir "./output" \
  --verbose

# 验证输出
cat output/产品索引.md
cat output/产品详细数据.json | python3 -m json.tool

---

📚 相关文档

• Docling 文档
• pdftotext 手册
• OpenPyXL 文档

---

版本历史：

• v1.0 (2026-03-23) — 初始版本，支持 PDF 批量提取、错误排除、知识库生成