PDF文本提取器

> 纯标准库PDF文本提取工具。输入PDF，输出文本内容。零依赖。

核心能力

1. 全文提取 — 输入PDF → 输出全部文本内容
2. 页面提取 — 输入PDF+页码范围 → 输出指定页面文本
3. 元信息提取 — 输入PDF → 输出标题/作者/创建时间等元数据
4. 关键词统计 — 输入PDF → 输出词频统计+关键信息

快速开始

流程1：提取全文

python scripts/extract_all.py --input '{"file": "document.pdf"}'

流程2：提取指定页面

python scripts/extract_pages.py --input '{"file": "document.pdf", "pages": [1, 2, 3]}'

流程3：提取元信息

python scripts/metadata.py --input '{"file": "document.pdf"}'

流程4：关键词统计

python scripts/keywords.py --input '{"file": "document.pdf", "top_n": 20}'

设计原则

1. 纯标准库解析PDF结构 — 不依赖PyPDF2/pdfplumber
2. 支持文本型PDF — 扫描件/图片PDF需OCR，不在本工具范围
3. 优雅降级 — 遇到加密/损坏文件返回明确错误
4. JSON标准化输出 — Agent好对接

注意事项

• 本工具基于PDF底层文本流解析，适用于文本型PDF
• 扫描件/图片型PDF需要OCR工具配合，本工具无法提取
• 加密PDF需要先解密再提取