PDF OCR 处理技能

何时使用

• 需要对大量扫描件 PDF 进行文字识别（OCR）
• 希望直接得到可搜索的 PDF（文字层）或提取的纯文本/Markdown
• 需要在老师 Agent 工作流中自动化该步骤

基本使用方式

# 运行一次 OCR（需要已安装 Tesseract 与 ocrmypdf）
openclaw exec python skills/pdf-ocr/scripts/ocr_batch.py  

• ：原始扫描 PDF 路径
• ：输出带文字层的 PDF（同目录或指定路径）

高级选项

• 若想一次性处理目录下所有 PDF，使用 --batch-dir 参数：

openclaw exec python skills/pdf-ocr/scripts/ocr_batch.py --batch-dir 

• 可加 --lang chi_sim 指定中文简体模型（默认 tesseract 会自动检测语言）

脚本说明 (scripts/ocr_batch.py)

• 检测并确保 ocrmypdf 可用；如未安装会提示安装指令
• 使用 ocrmypdf 完成 OCR，内部调用已装好的 Tesseract
• 支持批量目录模式，遍历 *.pdf 并生成对应带文字层文件
• 错误会记录到 logs/pdf_ocr_error.log，便于排查

参考资源

• references/ocr_tips.md：常见 OCR 参数调优技巧（如 DPI、图片预处理）
• references/install_ocr.md：在 Windows 上安装 Tesseract 与 ocrmypdf 的详细步骤

与老师 Agent 的集成

在老师 Agent 的工作流（如 auto_ingest）中，可在 HEARTBEAT.md 或 cron 中加入如下调用，以实现每日自动 OCR：

openclaw exec python skills/pdf-ocr/scripts/ocr_batch.py --batch-dir /path/to/teacher-pdfs

这样老师 Agent 在 ingest 前就已拥有文字层，后续向量化、检索都能顺畅进行。

使用示例

1. 单文件 OCR：

openclaw exec python skills/pdf-ocr/scripts/ocr_batch.py D:docsscan1.pdf D:docsscan1_text.pdf

2. 批量目录 OCR：

openclaw exec python skills/pdf-ocr/scripts/ocr_batch.py --batch-dir D:teacher-pdfs

如需更细粒度的文本（Markdown），可在脚本后接 pdf2txt.py 转换。

注意：此技能仅在本机执行，不会触发外部网络请求，符合安全策略。