title: “Ocr And Documents — Extract text from PDFs/scans (pymupdf, marker-pdf)” sidebar_label: “Ocr And Documents” description: “Extract text from PDFs/scans (pymupdf, marker-pdf)”

{/* 本页面由 website/scripts/generate-skill-docs.py 根据技能对应的 SKILL.md 文件自动生成。请直接编辑源文件 SKILL.md，而非此页面。 */}

OCR与文档处理

从PDF及扫描件中提取文本（使用pymupdf、marker-pdf库）。

技能元数据

参考：完整SKILL.md内容

:::info 以下为Hermes在触发该技能时加载的完整技能定义。当该技能处于激活状态时，智能体将依据此内容执行操作。

::

PDF与文档提取功能

对于DOCX格式文件：可参考docx技能（用于创建/编辑），或使用python-docx库进行结构化读取。 对于PPTX格式文件：可参考powerpoint技能（支持完整的创建/读取/编辑功能）。 对于PDF文件的各类操作（合并、拆分、处理表单、添加水印、创建新文件等）：请参考pdf技能。 该技能主要实现从PDF及扫描文档中提取文本的功能。

收到“read_file 提取覆盖率警告”？ read_file 功能虽能自动转换本地 PDF 文件，但仅读取文本层；警告信息中会列出未检测到文本的页面（即扫描图片）。对于少量页面，使用“渲染+视觉分析”方式效率最高：先执行 pdftoppm -jpeg -r 150 -f N -l N file.pdf /tmp/page 将文件转换为图像，再对每张图像调用 vision_analyze 函数。若需批量处理大量页面的 OCR 任务，请使用下方的 marker-pdf 方法（步骤 2）。

步骤 1：是否有远程 URL？

如果文档存在 URL，请始终优先尝试使用 web_extract 方法：

web_extract(urls=["https://arxiv.org/pdf/2402.03300"])
web_extract(urls=["https://example.com/report.pdf"])

该功能通过 Firecrawl 实现 PDF 到 Markdown 的转换，且无需任何本地依赖。

仅在以下情况才使用本地提取功能：文件位于本地、web_extract 失败，或需要批量处理时。

第 2 步：选择本地提取器

决策建议：除非需要 OCR、公式识别、表单处理或复杂的布局分析功能，否则建议使用 pymupdf。

如果用户需要 marker 的高级功能，但系统可用磁盘空间不足 5GB：

“该文档需要通过 OCR 或高级提取功能（marker-pdf）进行处理，这需要约 5GB 的空间用于存储 PyTorch 及相关模型。您的系统目前仅有 [X]GB 的空闲空间。可选方案：释放更多空间，提供文件 URL 以便我使用 web_extract 进行提取，或者尝试使用 pymupdf——它虽能处理文本型 PDF，但不支持扫描版文档和公式识别。”

pymupdf（轻量版）

pip install pymupdf pymupdf4llm

通过辅助脚本：

python scripts/extract_pymupdf.py document.pdf              # Plain text
python scripts/extract_pymupdf.py document.pdf --markdown    # Markdown
python scripts/extract_pymupdf.py document.pdf --tables      # Tables
python scripts/extract_pymupdf.py document.pdf --images out/ # Extract images
python scripts/extract_pymupdf.py document.pdf --metadata    # Title, author, pages
python scripts/extract_pymupdf.py document.pdf --pages 0-4   # Specific pages

内联模式：

python3 -c "
import pymupdf
doc = pymupdf.open('document.pdf')
for page in doc:
    print(page.get_text())
"

marker-pdf（高质量 OCR）

# Check disk space first
python scripts/extract_marker.py --check

pip install marker-pdf

通过辅助脚本：

python scripts/extract_marker.py document.pdf                # Markdown
python scripts/extract_marker.py document.pdf --json         # JSON with metadata
python scripts/extract_marker.py document.pdf --output_dir out/  # Save images
python scripts/extract_marker.py scanned.pdf                 # Scanned PDF (OCR)
python scripts/extract_marker.py document.pdf --use_llm      # LLM-boosted accuracy

CLI（随 marker-pdf 一同安装）：

marker_single document.pdf --output_dir ./output
marker /path/to/folder --workers 4    # Batch

Arxiv论文库

# Abstract only (fast)
web_extract(urls=["https://arxiv.org/abs/2402.03300"])

# Full paper
web_extract(urls=["https://arxiv.org/pdf/2402.03300"])

# Search
web_search(query="arxiv GRPO reinforcement learning 2026")

分割、合并与搜索

pymupdf可直接实现这些功能——您可以使用execute_code或内联Python代码来完成操作：

# Split: extract pages 1-5 to a new PDF
import pymupdf
doc = pymupdf.open("report.pdf")
new = pymupdf.open()
for i in range(5):
    new.insert_pdf(doc, from_page=i, to_page=i)
new.save("pages_1-5.pdf")

# Merge multiple PDFs
import pymupdf
result = pymupdf.open()
for path in ["a.pdf", "b.pdf", "c.pdf"]:
    result.insert_pdf(pymupdf.open(path))
result.save("merged.pdf")

# Search for text across all pages
import pymupdf
doc = pymupdf.open("report.pdf")
for i, page in enumerate(doc):
    results = page.search_for("revenue")
    if results:
        print(f"Page {i+1}: {len(results)} match(es)")
        print(page.get_text("text"))

无需额外依赖——pymupdf 一个包即可实现文档的分割、合并、搜索以及文本提取功能。

备注

• 对于网址处理，web_extract 始终是首选方案。
• pymupdf 是最稳妥的默认选择：响应迅速、无需模型支持、可在任何环境中运行。
• marker-pdf 适用于 OCR 处理、扫描文档、公式以及复杂布局的文档——仅在必要时安装即可。
• 这两个辅助脚本均支持通过 --help 参数查看完整用法说明。
• 首次使用时，marker-pdf 会自动将约 2.5GB 的模型下载到 ~/.cache/huggingface/ 目录中。
• 处理 Word 文档时：请安装 python-docx（相比 OCR 更高效，可直接解析文档结构）。
• 处理 PowerPoint 文件时：请参考 powerpoint 技能（该技能基于 python-pptx 库实现）。