pdf-reader

PDF Reader

专门处理 PDF 文档的内容提取，保持原文档的结构和格式。

核心功能

1. 内容提取

• 文本内容: 保留原始排版和格式
• 图片资源: 高质量提取并保存
• 表格数据: 转换为 Markdown 表格格式
• 数学公式: 保留 LaTeX 格式
• 元数据: 标题、作者、创建时间等

2. 结构保持

• 维持文档的章节结构
• 保留页面编号（如需要）
• 保持标题层级关系
• 维护列表和引用格式

Workflow

单文档处理

使用 data-extractor.convert_pdf_to_markdown：

参数配置:
  extract_images: true # 提取图片
  extract_tables: true # 提取表格
  extract_formulas: true # 提取公式
  embed_images: false # 图片保存为独立文件
  include_metadata: true # 包含文档元数据

批量文档处理

使用 data-extractor.batch_convert_pdfs_to_markdown：

• 支持多个 PDF 文件同时处理
• 保持每个文档的独立性
• 统一的输出格式

页面范围处理（批次支持）

• 指定页面范围：[start, end]
• 支持非连续页面处理
• 用于预览或选择性提取
• 批次处理时指定具体页面段

图片处理流程

1. 图片提取

• 自动识别文档中的所有图片
• 保持原始分辨率
• 支持多种图片格式

2. 图片分析

使用 zai-mcp-server 分析图片内容：

• 理解图片描述
• 生成合适的文件名
• 创建 alt 文本

3. 图片保存

• 保存路径：/path/to/source/images/pdf_name/
• 命名规则：figure_{N}_{description}.png
• 文件名使用英文，简短且具有描述性

输出格式

Markdown 内容结构

# 文档标题

## 元数据

- **标题**: {title}
- **作者**: {author}
- **页数**: {page_count}
- **创建时间**: {creation_date}

## 内容

![Figure 1: 图片描述](../images/pdf_name/figure_1_diagram.png)

### 1. 章节标题

章节内容...

| 表格标题 |
| -------- |
| 内容     |

$$
  数学公式
$$

返回数据结构

{
  "success": true,
  "content": "Markdown 格式的内容",
  "metadata": {
    "title": "文档标题",
    "author": "作者",
    "page_count": 150,
    "creation_date": "2025-01-01"
  },
  "assets": {
    "images": [
      {
        "filename": "figure_1_diagram.png",
        "path": "../images/pdf_name/figure_1_diagram.png",
        "description": "系统架构图"
      }
    ],
    "tables": 5,
    "formulas": 12
  },
  "statistics": {
    "total_words": 15000,
    "total_paragraphs": 80,
    "processing_time": "2.5s"
  }
}

使用示例

基本用法

提取这个 PDF 的内容：/path/to/document.pdf

指定页面范围

提取 PDF 的第 10-20 页：/path/to/document.pdf [10, 20]

批量处理

批量处理这些 PDF：
- /path/to/doc1.pdf
- /path/to/doc2.pdf
- /path/to/doc3.pdf

高级选项

提取 PDF 内容，需要包含所有图片和表格，但不提取公式：/path/to/document.pdf