PDF识别提取专家

Changelog#

[3.4.0] - 2026-07-30#

Changed#

• SKILL.md 分层精简 — 从 578 行缩减至 82 行（-83%），对标 OpenAI 上下文压缩策略
• 详细教程按主题拆分为 6 个独立 references 文件（按需加载）：LiteParse / PaddleOCR Python 3.13 / 预处理 / 结构化解析 / PP-OCRv6 / 完整备份
• 保留 SKILL.md 核心：快速选择命令 + 工作流 + 性能速查 + 注意事项
• 新增预处理关键词标注（deskew/orient/unwarp）

Added#

• ppocrv6-guide.md 更新 — 新增官方 v3.7.0 50 语言统一模型、Apple Silicon CoreML 加速、浏览器端运行、Web 工作台、OpenVINO 加速数据

[3.3.0] - 2026-06-26#

Added#

• GPU 加速 — DirectML 后端支持 Intel/AMD/NVIDIA GPU，默认 GPU 推理
  • --device cpu|gpu 参数，默认 gpu
  • Intel Arc B390 提速 6-9x（Tiny 10.5ms, Small 18.7ms, Medium 48.6ms）
  • 需 onnxruntime-directml 替代 onnxruntime

Fixed#

• det 后处理修复 — 4D 输出 squeeze + ImageNet 归一化
• rec 后处理修复 — char_dict 使用 list 索引（非 dict 查找）+ CTC 解码
• Small/Medium 字符字典 — 自动从 inference.yml 解析 character_dict

Changed#

• SKILL.md F 节标题更新为"GPU 加速"
• 迁移说明更新，提及 DirectML 提速数据
• pdf_ocr_v6.py 新增字符字典诊断输出

---

[3.2.0] - 2026-06-21#

Added#

• 新增 F 节：PP-OCRv6 三档模型 OCR — 基于 ONNX Runtime，无需 PaddlePaddle 框架
  • Tiny (1.5 MB)：极速，可浏览器端运行
  • Small (7.7 MB)：性能均衡
  • Medium (34.5 MB)：精度最高
  • CLI 工具: scripts/pdf_ocr_v6.py (支持 --tier 切换)
• 脚本: scripts/pdf_ocr_v6.py — PP-OCRv6 ONNX Runtime 推理 CLI
• 性能参照表新增 PP-OCRv6 三档数据
• 准确率表新增 OmniDocBench 评测数据

Changed#

• 快速选择流程更新：扫描件优先推荐 PP-OCRv6
• 工作流总览加入模型档位选择步骤
• 版本号 3.1.0 → 3.2.0
• description 更新提及 PP-OCRv6 三档模型

---

[3.1.0] - 2026-06-14#

Changed#

• Description 重写为意图路由型 — 按 Anthropic Skill 方法论，从功能介绍型改为"当用户需要...时使用"格式
• 移除常识性内容（~2.4KB） — 保留 Gotchas（Python 3.13 兼容性等），移除模型已知的代码示例、JSON 示例、安装命令
• OpenDataLoader 节大幅精简 — 从 30 行压缩到 3 行，详情迁至 references
• 版本号 3.0.0 → 3.1.0

Removed#

• PaddleOCR 基础 Python 代码示例（模型已知 API）
• LiteParse 安装命令（pip install 是常识）
• D 节 Python import 示例
• E 节 JSON 结构示例

---

[3.0.0] - 2026-06-13#

Added#

• 新增 D 节：文档预处理 — OpenCV 驱动的扫描件增强管线
  • 倾斜校正 (deskew)：Hough 变换检测文本角度, 自动旋转
  • 方向校正 (orient)：文本投影分析, 自动旋转倒置/侧向页面
  • 文档展平 (unwarp)：透视变换校正弯曲/变形的文档照片
  • CLI 工具: scripts/pdf_preprocess.py (支持 PDF + 单图)
  • 预览模式: --preview 显示原图 vs 处理对比
• 新增 E 节：结构化文档解析 — docling 版面分析 + 结构化输出
  • 标题层级识别、段落/列表/表格结构化输出
  • 表格提取为 Markdown 表格 + JSON 网格
  • CLI 工具: scripts/pdf_parse_structured.py
  • 输出: 结构化 Markdown + 含 bbox 坐标的 JSON
• scripts/ 目录 — 独立的 Python 工具脚本, 可 CLI 调用或作为模块导入
• 性能参照表新增预处理和结构化解析行
• 准确率表新增"预处理后"行 (~98%+)

Changed#

• 工作流更新: 扫描件建议走 prep → pdf2md / structured_parse
• 版本号 2.2.0 → 3.0.0
• description 更新提及预处理和结构化解析

---

[2.2.0] - 2026-06-05#

Added#

• Python 3.13 兼容性说明（imghdr、np.sctypes、OpenCV）
• Windows 平台注意事项（编码、文件路径、DLL 加载）
• 最佳实践章节（分阶段验证、独立虚拟环境、预检查依赖）

Changed#

• 更新 B 节（PaddleOCR）添加 Python 3.13 兼容性注意事项
• 更新 references/paddleocr.md 添加 Python 3.13 兼容性章节
• 版本号 2.1.0 → 2.2.0

---

[2.1.0] - 2026-06-03#

Added#

• LiteParse（Rust）快速通道，文本层 PDF 解析从 ~300ms 降至 ~0.9ms/页
• 新增 lit parse input.pdf --no-ocr CLI 命令
• PaddleOCR 中文扫描件保留为默认 OCR 引擎（~97%+）
• LiteParse 截图输出功能（lit screenshot）
• 快速选择流程：先试 LiteParse --no-ocr，空结果退到 pdf2md

Changed#

• 工作流由 OpenDataLoader 优先改为 LiteParse 优先
• 性能参照表扩充为 5 行（含 LiteParse / Tesseract / PaddleOCR 对比）
• description 更新提及 LiteParse 和 Office 格式支持

Removed#

• OpenDataLoader 不再作为默认建议（保留为备选，需 Java 11）

[1.1.0] - 2026-05-14#

Changed#

• 正式更名为 pdf-ocr-md（原 pdf2md 在 SkillHub/ClawHub 已被占用）
• SKILL.md 内 name、标题同步更新

[1.0.0] - 2026-05-14#

Added#

• 初始版本
• 文本层 PDF：OpenDataLoader 直读（~0.015s/页）
• 扫描件：docling 版面分析 + PaddleOCR PP-OCRv4（中文 ~97%+）
• CLI 封装（~/.local/bin/pdf2md）
• 模型自动下载（hf-mirror / modelscope，国内畅通）