codex可批量提取pdf文字：新建项目索引pdf→安装解析器→自然语言指令导出纯文本→支持页码/坐标精准筛选→自动ocr处理扫描件。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要把几十篇学术论文PDF批量转成可编辑的纯文本，用于后续做关键词统计、文献综述语义分析或输入大模型精读——不能只靠网页版拖文件，也不能手动一页页复制，得在本地一次性跑完全部提取任务。
确认Codex已加载PDF解析环境
打开Codex App，进入左侧“Projects”面板，点击“+ New Project”，选择存放论文PDF的文件夹（如papers_2026_spring）；Codex会自动扫描并索引所有PDF文件，右上角显示“42 files indexed”即表示就绪。【必须确保该文件夹下无子文件夹，Codex不递归扫描嵌套目录】
若首次使用，Codex可能弹出“PDF parser not found”提示——此时不要点跳过，而是点击“Install recommended tools”，它将自动安装pdfminer.six和PyMuPDF (fitz)两个核心解析器。这一步耗时约30秒，完成后下次启动无需重复。
用自然语言指令触发批量文字提取
在对话区直接输入：“请将当前项目中所有PDF文件的文字内容完整提取为UTF-8编码的纯文本，每篇生成一个同名.txt文件，保存在output/texts/子目录下，跳过加密PDF和扫描图像页。”
Codex会立即返回执行计划：列出待处理文件数、预计耗时、跳过的文件名（如有）。它默认优先调用PyMuPDF，因其对LaTeX排版论文的页眉页脚、公式编号、参考文献区块识别更稳定；若遇到含大量图片的PDF（如含流程图的综述），则自动降级使用pdfminer.six的高阶文本提取模式。
输入“确认执行”后，Codex开始后台批量处理。左侧“Activity Log”面板实时刷新绿色进度条，每完成一篇显示“✓ report2025_v2.pdf → texts/report2025_v2.txt”。
精准控制提取范围（方法一：按页筛选）
第一步：在对话区输入：“提取papers_2026_spring目录下所有PDF的第1–3页文字（即摘要、引言开头），忽略参考文献和附录。”
第二步：Codex会生成临时Python脚本，调用fitz.Page.get_text("text")逐页提取，并自动过滤掉页脚中的页码、会议Logo等干扰字符——这是网页版工具做不到的精细控制。
通过本地 Codex 或 OpenClaw OAuth 凭证直接调用 ChatGPT/Codex Responses 的 image_generation 工具来生成或编辑光栅图像，然后保存
第三步：运行后，所有结果合并到output/abstracts_summary.txt，每篇之间用“=== [paper_name] ===”分隔，可直接导入Excel做词频分析。
精准控制提取范围（方法二：按区域框选）
方法一：用PyMuPDF可视化调试工具定位关键区域
在终端面板运行：codex debug-pdf --page 1 --file "survey_ml2024.pdf"，Codex会启动一个轻量级PDF查看器，鼠标拖拽框选摘要段落区域，回车确认后自动生成坐标参数（x0, y0, x1, y1）。
方法二：将坐标注入批量指令
输入：“用区域坐标[120, 85, 480, 210]提取所有PDF第1页指定矩形内的文字，输出为csv，列名为filename,text_content。”
这一步特别适合处理格式统一的会议论文集——所有论文第1页摘要都位于相同物理位置，哪怕字体大小、行距微调也不影响提取精度。若坐标偏差超5像素，Codex会主动提醒“区域可能偏移”，并建议重新调试。
处理扫描版PDF（OCR启用条件）
当Codex检测到PDF页面的/Filter /DCTDecode或无文本层时，自动启用Tesseract OCR模块；但仅对含文字的扫描页生效，纯图表页跳过。
注意：OCR过程不修改原PDF，所有识别结果存入output/ocr_fallback/，文件名带_ocr后缀；原始PDF中已有的可选中文文字层仍优先使用，OCR仅作兜底——避免双重识别导致的错字叠加。
若需强制OCR全部页面（如确认是手写批注扫描件），输入：“对所有PDF启用强制OCR，语言包设为chi_sim+eng，分辨率提升至300dpi。”
