Damon-GSY/pdf-reader

PDF Reader - 文档解析与知识提取

将 PDF 文件解析为结构化文本，并整理成可检索、可复用的知识文件。

能力

• 文本提取 — 从 PDF 中提取纯文本（支持中文、英文等多语言）
• 分页预览 — 逐页查看内容，快速定位关键信息
• 结构化整理 — 将提取内容按主题/章节整理为 Markdown 参考文件
• 知识持久化 — 保存到 workspace references/ 目录，跨会话可用

使用流程

Step 1: 定位 PDF 文件

飞书收到的文件存放在 /root/.openclaw/media/inbound/，文件名可能含乱码。 用 ls -lt 找到最新的文件：

ls -lt /root/.openclaw/media/inbound/*.pdf | head -5

Step 2: 检查 pymupdf 是否可用

python3 -c "import fitz; print('pymupdf ready')" 2>&1

如果不可用，安装：

pip install --break-system-packages pymupdf

Step 3: 提取文本

提取全部内容：

import fitz
doc = fitz.open('/path/to/file.pdf')
print(f'Pages: {doc.page_count}')
for i in range(doc.page_count):
    text = doc[i].get_text()
    print(f'--- Page {i+1} ---')
    print(text)

提取指定页（快速预览）：

import fitz
doc = fitz.open('/path/to/file.pdf')
for i in range(start_page, end_page):
    print(doc[i].get_text())

提取并保存为文本文件：

import fitz
doc = fitz.open('/path/to/file.pdf')
text = ''
for i in range(doc.page_count):
    text += doc[i].get_text()
with open('/path/to/output.txt', 'w') as f:
    f.write(text)
print(f'Extracted {doc.page_count} pages, {len(text)} chars')

Step 4: 结构化整理（可选）

根据 PDF 内容特点，将文本整理为：

• 思维模型手册 → 按模型分条整理，写入 references/ 并更新 TOOLS.md
• 书籍/文章 → 按章节整理，保留目录结构
• 报告/数据 → 提取关键数据点和结论
• 通用文档 → 直接保存纯文本 + 一段摘要

Step 5: 更新 workspace 索引

整理完成后，在 TOOLS.md 中记录新增的参考资料，确保跨会话可查。

输出规范

references 目录结构

references/
├── 原始PDF.pdf          ← 保留原始文件
├── 文档名.txt           ← 纯文本版（用于搜索）
└── 文档名-笔记.md       ← 结构化笔记（可选，用于快速参考）

TOOLS.md 索引格式

## 参考资料库

| 来源 | 文件 | 核心内容 |
|------|------|---------|
| 刘润 | references/刘润-经典商业思维模型手册.txt | 25个商业思维模型 |

注意事项

• pymupdf 提取的是嵌入文本层，对扫描版 PDF 需要额外 OCR（暂不支持）
• 中文 PDF 通常提取效果良好
• 大文件（100页+）建议分批提取，避免一次性占用过多上下文
• 提取后务必人工审核关键内容，OCR/解析可能有细微误差