前言¶
處理掃描件時最常見的問題不是「解析失敗」，而是工具靜默成功：pdfplumber、markitdown 或 PyMuPDF 的 get_text() 對某個 PDF 全部返回空字符串，但文件看起來完好，用戶以爲已經提取完成。這類 PDF 是純圖片、沒有嵌入文字層，常規解析拿不到任何內容。下面介紹的 Skill「掃描PDF轉文字」就是針對這個信號設計的：先判定是不是掃描件，再用渲染加 OCR 的方式重建文字，輸出結構化 Markdown。
這是什麼¶
「掃描PDF轉文字」是一個社區來源的通用 SKILL.md 格式 Skill，座標 @user_937442fe/scanned-pdf-extractor，當前版本 3.0.2，分類 office-efficiency，發佈者 user_937442fe。它解決的問題是：當常規解析工具都提取不到文字時，對掃描版 PDF 逐頁渲染高清圖片，用 OCR 引擎識別，輸出結構化文檔。適合合同、票據、證件、報告等掃描件數字化。
核心功能¶
- 掃描件判定：pdfplumber、markitdown 或 PyMuPDF
get_text()對某 PDF 全部返回空，即說明該文件是掃描件而非數字生成。 - 逐頁渲染高清 PNG，再用配置的 OCR 引擎識別，輸出結構化 Markdown。
- 批量處理，支持渲染與 OCR 雙階段斷點續傳，中斷後可從對應階段繼續。
- 歪斜頁面自動糾偏，走三道安全門（細節以官方資料爲準，不在此展開）。
- 雙欄文檔按正確閱讀順序輸出，避免左右欄文字交錯。
- 表格結構化還原，基於 PaddleOCR PP-StructureV3。
- 引擎可切換：默認 vision 引擎零安裝即用，可選 paddle / tesseract 本地引擎。
版本說明：官方資料標註當前版本 3.0.2。
安裝與啓用¶
官方資料未給出安裝命令、目錄佈局或配置字段，本文不臆造。可用的確認方式如下：
- 訪問 SkillHub 官方頁面確認 Skill 的存在、座標與版本：
https://www.skillhub.cn/skills/user_937442fe/scanned-pdf-extractor - 接口地址：
https://api.skillhub.cn/user_937442fe/scanned-pdf-extractor - 該 Skill 標籤爲
requires_api_key=false，無需爲調用本身準備 API Key。OCR 引擎若選 paddle / tesseract，屬於本地引擎，需自行安裝對應依賴，具體命令以官方文檔爲準。
Cursor / Codex CLI / Claude Code 的接入差異，官方資料未說明，此處不做區分描述。
典型用法¶
官方資料給出瞭如下可復現的判定與使用流程：
- 先對目標 PDF 跑常規解析，確認是否爲掃描件：
pdfplumber / markitdown / PyMuPDF get_text() 全部返回空 → 掃描件
這一步是技能的觸發信號，不是錯誤提示。
- 確認後進入渲染加 OCR 流程，逐頁渲染高清 PNG，用配置的 OCR 引擎識別，輸出結構化 Markdown。默認 vision 引擎無需安裝即可直接使用。
- 批量處理時中斷可續傳，渲染與 OCR 兩個階段分別保留進度。
- 遇到雙欄文檔或表格時，分別走閱讀順序處理與 PP-StructureV3 表格還原。
適用場景與注意¶
適合：合同、票據、證件、報告等無文字層掃描件，尤其是需要批量處理、需要中斷續傳、頁面存在歪斜或包含表格的場景。
限制：
- 觸發前提是常規解析返回空。如果 PDF 本身有文字層，不必走這條渲染加 OCR 的鏈路。
- OCR 結果取決於引擎選擇與圖像質量。默認 vision 引擎零安裝但需要可用視覺通道；paddle / tesseract 爲本地引擎，性能與表格還原能力更強，但需自行安裝並配置。
- 歪斜糾偏的「三道安全門」具體判定邏輯、渲染分辨率與配置文件字段，官方資料未提供，使用前建議先拿一兩份樣本驗證效果。
- 資料未提供社區下載量以外的使用反饋，不在此引用未經覈實的案例。
結尾¶
「掃描PDF轉文字」的價值在於把「掃描件識別」從一次性腳本變成可中斷、可批量、可處理雙欄與表格的流程，並且默認引擎零安裝即可跑通。官方地址：https://www.skillhub.cn/skills/user_937442fe/scanned-pdf-extractor。
