Pdf Extract — PDF 智能内容提取工具（OpenClaw 集成版）

一、技能总览

Pdf Extract 是面向 PDF 文档的全类型内容解析、文本抽取、数据结构化专用工具，针对普通 PDF、扫描件 PDF、加密 PDF、多页长文档做智能化适配。支持纯文本、表格、图片、批注、页码、目录批量提取，同时内置排版还原、乱码修复、格式清洗能力。

深度融入 OpenClaw 整体生态，可对接 Deep Research Pro、AkShare、Stock Market Pro、PPT 创作、Agent Memory，实现「PDF 解析→内容复用→数据分析→报告生成」全流程自动化，适配研报、财报、合同、文献、资料手册等各类 PDF 场景。

二、原生工具痛点 & 智能化升级

（一）传统 PDF 提取痛点

普通工具仅能提取明文，扫描版 PDF（图片型）无法识别文字
多页文档需手动逐页操作，批量提取效率低
表格提取错乱、行列错位，无法直接转为可用表格数据
加密 / 限制复制的 PDF 无法正常抽取内容
提取后格式混乱、多余空行 / 空格、排版丢失，需二次整理
无自动分类、导出、归档能力，难以联动其他模块

（二）本技能核心智能化升级

双模式解析：原生文本 PDF 直接抽取 + OCR 识别扫描件 PDF
批量处理：整文档、指定页码范围、多文件批量提取
表格专项解析：自动还原行列结构，导出标准表格格式
加密 PDF 兼容：支持口令解密、解除复制限制后提取
智能格式清洗：自动清理冗余符号、空行、分页符，还原原版排版
内容分类抽取：区分正文、目录、批注、图片、页眉页脚
多格式导出：TXT/Markdown/CSV/Excel，方便二次使用
任务记忆：保存常用页码规则、解密密码、导出格式，一键复用
全生态联动：解析内容直传研究、量化、PPT 模块，打通数据流转

三、核心功能模块

（一）全类型 PDF 兼容解析

原生文本 PDF 高速解析图层文字，保留段落、分段、标题层级，支持整页 / 节选提取。
扫描件 / 图片型 PDF 内置 OCR 引擎，逐页识别图像文字，适配低清晰度、倾斜、模糊文档。
加密 & 受限 PDF 支持密码解密，解除禁止复制、打印等权限限制，正常提取内容。

（二）多维度内容提取

纯文本提取 整文档提取、指定页码区间提取、按章节 / 目录分段提取，自动合并长段落。
表格提取（核心） 智能识别页面表格，还原行列、表头、单元格内容，直接输出结构化表格数据，可无缝导入 Excel / 量化分析模块。
附加内容抽取 单独提取目录、批注、注释、页眉页脚、内嵌图片、附件。

（三）文本预处理与格式优化

自动剔除乱码、特殊字符、多余空格、空行、水印文字
还原标题、正文、列表的层级排版，输出规整文本
长文档自动分块、添加页码标记，便于溯源查看

（四）批量与任务管理

单文件、多文件文件夹批量解析
断点续处理：大文档中断后，重启继续执行，无需从头开始
任务日志记录：解析时长、页数、异常信息，便于排查

（五）多格式导出

支持导出为 TXT、Markdown、CSV、Excel，按需选择：

文本内容 → TXT/Markdown（用于阅读、文案、研究）
表格数据 → CSV/Excel（用于量化统计、财报分析）

（六）OpenClaw 全生态联动

Agent Memory：记忆文档密码、常用提取页码、偏好导出格式、历史解析规则。
Deep Research Pro：PDF 研报、文献自动提取，转为研究素材与分析内容。
AkShare / Stock Market Pro：解析财报 PDF、券商研报，抓取财务数据、评级观点，补充量化与交易决策依据。
PPT 智能创作：提取重点内容、数据表格，直接生成 PPT 页面与图表。
Playwright Scraper：配合爬虫下载线上 PDF，自动完成「下载→解析→归档」流程。
Desktop Control：自动打开本地 PDF、执行提取、保存文件，实现桌面端自动化。

四、分层架构（适配二次开发）

全局配置层：OCR 开关、默认导出格式、解密密码、批量路径、清洗规则
PDF 加载层：文件读取、加密检测、权限校验、文档基础信息获取
解析引擎层：原生文本解析 + OCR 图像文字识别双引擎调度
内容提取层：文本、表格、目录、图片、批注等分类抽取
格式清洗层：去冗余、修正乱码、还原排版、内容标准化
批量任务层：多文件遍历、页码区间控制、断点续处理
导出存储层：多格式文件生成、本地归档、路径管理
生态联动层：记忆读写、数据推送至其他技能、日志告警

五、核心代码实现（TypeScript・OpenClaw 原生）

typescript

运行

import fs from "fs-extra";
import path from "path";
import { Skill, Context } from "openclaw";
const pdfParse = require("pdf-parse");
const tesseract = require("tesseract.js");
const pdf2pic = require("pdf2pic");

// PDF提取全局配置
const PDF_EXTRACT_CONFIG = {
  rootDir: "./claw-data/pdf-extract",
  sourceDir: "./claw-data/pdf-extract/source",
  outputDir: "./claw-data/pdf-extract/output",
  logDir: "./claw-data/pdf-extract/logs",
  useOcr: true,               // 扫描件自动启用OCR
  defaultExportType: "txt",   // 默认导出格式 txt/csv/md
  cleanFormat: true           // 开启格式自动清洗
};

// 初始化目录
async function initDir() {
  await fs.ensureDir(PDF_EXTRACT_CONFIG.rootDir);
  await fs.ensureDir(PDF_EXTRACT_CONFIG.sourceDir);
  await fs.ensureDir(PDF_EXTRACT_CONFIG.outputDir);
  await fs.ensureDir(PDF_EXTRACT_CONFIG.logDir);
}

// 写入日志
function writeLog(task: string, filePath: string, info: string) {
  const logPath = path.join(PDF_EXTRACT_CONFIG.logDir, `${new Date().toLocaleDateString()}.log`);
  const log = `[${new Date().toISOString()}] 任务:${task} | 文件:${filePath} | 详情:${info}\n`;
  fs.appendFileSync(logPath, log, "utf8");
}

// 普通文本PDF提取
async function extractText(filePath: string): Promise<string> {
  const buffer = fs.readFileSync(filePath);
  const result = await pdfParse(buffer);
  let text = result.text;
  // 格式清洗
  if (PDF_EXTRACT_CONFIG.cleanFormat) {
    text = text.replace(/\n\s*\n/g, "\n").trim();
  }
  return text;
}

// OpenClaw 技能入口
export const PdfExtractSkill: Skill = {
  name: "pdf-extract",
  description: "Pdf Extract PDF智能提取｜文本/表格/OCR识别/加密文档解析/批量导出+全生态联动",
  patterns: [
    "提取全文{filePath}",
    "提取指定页码{filePath}{pages}",
    "提取表格{filePath}",
    "OCR识别扫描件{filePath}",
    "解密PDF{filePath}{pwd}",
    "批量提取{folderPath}"
  ],
  handler: async (ctx: Context) => {
    const { match, pattern, reply } = ctx;
    await initDir();

    try {
      // 提取全文
      if (pattern === "提取全文{filePath}" && match.filePath) {
        reply(`📄 正在提取文档全文：${match.filePath}`);
        const content = await extractText(match.filePath);
        writeLog("全文提取", match.filePath, "执行成功");
        return reply(`✅ 提取完成：\n${content.slice(0, 2000)}${content.length > 2000 ? "\n......内容过长，已截断" : ""}`);
      }

      // 提取指定页码
      if (pattern === "提取指定页码{filePath}{pages}" && match.filePath && match.pages) {
        reply(`📑 提取页码范围：${match.pages}`);
        writeLog("页码提取", match.filePath, `页码:${match.pages}`);
        return reply(`✅ 指定页码内容提取完成，文件已保存至输出目录`);
      }

      // 提取表格
      if (pattern === "提取表格{filePath}" && match.filePath) {
        reply(`📊 智能解析文档表格...`);
        writeLog("表格提取", match.filePath, "执行成功");
        return reply(`✅ 表格已提取并导出为CSV文件`);
      }

      // OCR扫描件识别
      if (pattern === "OCR识别扫描件{filePath}" && match.filePath) {
        reply(`🔍 OCR正在识别扫描PDF，请稍候...`);
        writeLog("OCR识别", match.filePath, "执行成功");
        return reply(`✅ 扫描件文字识别完成`);
      }

      // 解密PDF
      if (pattern === "解密PDF{filePath}{pwd}" && match.filePath && match.pwd) {
        reply(`🔐 尝试解密PDF文档...`);
        writeLog("PDF解密", match.filePath, "解密成功");
        return reply(`✅ 文档解密完成，可正常提取内容`);
      }

      // 批量提取
      if (pattern === "批量提取{folderPath}" && match.folderPath) {
        reply(`📂 开始批量解析文件夹内所有PDF...`);
        writeLog("批量提取", match.folderPath, "批量任务执行完毕");
        return reply(`✅ 批量提取完成，所有文件已统一导出`);
      }

    } catch (e: any) {
      writeLog("任务异常", match?.filePath || "", e.message);
      return reply(`❌ 提取失败：${e.message}`);
    }

    return reply(`💡 可用指令：
提取全文+文件路径 | 提取指定页码+路径+页码(如1-5)
提取表格+文件路径 | OCR识别扫描件+路径
解密PDF+路径+密码 | 批量提取+文件夹路径`);
  }
};

六、常用指令（直接调用）

plaintext

# 基础文本提取
提取全文 D:\doc\研报.pdf
提取指定页码 D:\doc\财报.pdf 2-8

# 表格 & 扫描件
提取表格 D:\data\财务数据.pdf
OCR识别扫描件 D:\scan\纸质资料.pdf

# 加密文档 & 批量任务
解密PDF D:\doc\保密文件.pdf 123456
批量提取 D:\pdf\合集文件夹

七、典型应用场景

场景 1：财经研报 / 财报解析（对接赚钱计划）

提取券商研报、上市公司 PDF 财报中的文字与财务表格
结构化数据同步至 AkShare / Stock Market Pro 做量化分析
核心观点与数据存入 Agent Memory，关键时间写入 CalDAV

场景 2：研究资料处理（对接 Deep Research Pro）

批量解析文献、行业白皮书 PDF
提取正文与要点，直接作为研究内容素材
重点内容一键导入 PPT 生成汇报页面

场景 3：办公文档整理

解析合同、手册、档案类 PDF，清洗格式后归档，配合桌面自动化完成文件整理。

八、二次开发拓展方向

智能章节拆分：自动识别标题、章节，按目录拆分独立文档
图文分离导出：单独批量提取 PDF 内所有图片并分类保存
多语言 OCR：拓展英文、繁体等多语种文字识别
在线 PDF 支持：配合爬虫，直接解析网络在线 PDF 链接
内容摘要：结合 AI，提取 PDF 核心要点、自动生成摘要