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 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/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 以下是Hermes在触发该技能时加载的完整技能定义。当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

对于DOCX格式文件：建议使用python-docx库（可解析真实的文档结构，效果远优于OCR）。 对于PPTX格式文件：可参考powerpoint技能（该技能基于python-pptx库，支持完整的幻灯片及备注内容解析）。 本技能支持PDF文件及扫描文档的提取。

第一步：是否有远程URL？

如果文档存在URL地址，请优先尝试使用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方式：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，否则优先使用 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/高级提取功能（marker-pdf）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。解决方案包括：释放更多空间、提供文件 URL 以便我使用 web_extract 方式处理，或者尝试使用仅适用于文本型 PDF、无法处理扫描文档或公式的 pymupdf。”

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（与 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——可使用execute_code或内联Python代码来完成：

# 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、搜索及文本提取功能。

备注

• 对于网址，web_extract 始终是首选方案
• pymupdf 是安全可靠的默认选择——响应迅速、无需模型、可在任何环境中使用
• marker-pdf 适用于 OCR 处理、扫描文档、公式以及结构复杂的文档——仅在必要时安装
• 两个辅助脚本均支持 --help 参数以查看完整用法说明
• 首次使用时，marker-pdf 会向 ~/.cache/huggingface/ 下载约 2.5GB 的模型文件
• 处理 Word 文档时：请使用 pip install 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）