前言¶
处理扫描件时最常见的问题不是「解析失败」，而是工具静默成功：pdfplumber、markitdown 或 PyMuPDF 的 get_text() 对某个 PDF 全部返回空字符串，但文件看起来完好，用户以为已经提取完成。这类 PDF 是纯图片、没有嵌入文字层，常规解析拿不到任何内容。下面介绍的 Skill「扫描PDF转文字」就是针对这个信号设计的：先判定是不是扫描件，再用渲染加 OCR 的方式重建文字，输出结构化 Markdown。
这是什么¶
「扫描PDF转文字」是一个社区来源的通用 SKILL.md 格式 Skill，坐标 @user_937442fe/scanned-pdf-extractor，当前版本 3.0.2，分类 office-efficiency，发布者 user_937442fe。它解决的问题是：当常规解析工具都提取不到文字时，对扫描版 PDF 逐页渲染高清图片，用 OCR 引擎识别，输出结构化文档。适合合同、票据、证件、报告等扫描件数字化。
核心功能¶
- 扫描件判定：pdfplumber、markitdown 或 PyMuPDF
get_text()对某 PDF 全部返回空，即说明该文件是扫描件而非数字生成。 - 逐页渲染高清 PNG，再用配置的 OCR 引擎识别，输出结构化 Markdown。
- 批量处理，支持渲染与 OCR 双阶段断点续传，中断后可从对应阶段继续。
- 歪斜页面自动纠偏，走三道安全门（细节以官方资料为准，不在此展开）。
- 双栏文档按正确阅读顺序输出，避免左右栏文字交错。
- 表格结构化还原，基于 PaddleOCR PP-StructureV3。
- 引擎可切换：默认 vision 引擎零安装即用，可选 paddle / tesseract 本地引擎。
版本说明：官方资料标注当前版本 3.0.2。
安装与启用¶
官方资料未给出安装命令、目录布局或配置字段，本文不臆造。可用的确认方式如下：
- 访问 SkillHub 官方页面确认 Skill 的存在、坐标与版本：
https://www.skillhub.cn/skills/user_937442fe/scanned-pdf-extractor - 接口地址：
https://api.skillhub.cn/user_937442fe/scanned-pdf-extractor - 该 Skill 标签为
requires_api_key=false，无需为调用本身准备 API Key。OCR 引擎若选 paddle / tesseract，属于本地引擎，需自行安装对应依赖，具体命令以官方文档为准。
Cursor / Codex CLI / Claude Code 的接入差异，官方资料未说明，此处不做区分描述。
典型用法¶
官方资料给出了如下可复现的判定与使用流程：
- 先对目标 PDF 跑常规解析，确认是否为扫描件：
pdfplumber / markitdown / PyMuPDF get_text() 全部返回空 → 扫描件
这一步是技能的触发信号，不是错误提示。
- 确认后进入渲染加 OCR 流程，逐页渲染高清 PNG，用配置的 OCR 引擎识别，输出结构化 Markdown。默认 vision 引擎无需安装即可直接使用。
- 批量处理时中断可续传，渲染与 OCR 两个阶段分别保留进度。
- 遇到双栏文档或表格时，分别走阅读顺序处理与 PP-StructureV3 表格还原。
适用场景与注意¶
适合：合同、票据、证件、报告等无文字层扫描件，尤其是需要批量处理、需要中断续传、页面存在歪斜或包含表格的场景。
限制：
- 触发前提是常规解析返回空。如果 PDF 本身有文字层，不必走这条渲染加 OCR 的链路。
- OCR 结果取决于引擎选择与图像质量。默认 vision 引擎零安装但需要可用视觉通道；paddle / tesseract 为本地引擎，性能与表格还原能力更强，但需自行安装并配置。
- 歪斜纠偏的「三道安全门」具体判定逻辑、渲染分辨率与配置文件字段，官方资料未提供，使用前建议先拿一两份样本验证效果。
- 资料未提供社区下载量以外的使用反馈，不在此引用未经核实的案例。
结尾¶
「扫描PDF转文字」的价值在于把「扫描件识别」从一次性脚本变成可中断、可批量、可处理双栏与表格的流程，并且默认引擎零安装即可跑通。官方地址：https://www.skillhub.cn/skills/user_937442fe/scanned-pdf-extractor。
