入口
先看文档在哪:
- 网上的公开链接:用
web_navigate打开,内置浏览器能直接显示的,读页面就够了。 - 用户发来的附件:在
/workspace/inbox/。 - 网页上下载的文件:在
/workspace/downloads/,可以用web_downloads查下载记录。
步骤
- 文字型 PDF 用
run_bundled_script跑scripts/extract_pdf.py,source填skills/documents,文件路径相对/workspace写:- 全文:
args: ["inbox/a.pdf"] - 指定页(从 1 数,可写
3、1-5、1,4,7-9):args: ["inbox/a.pdf", "--pages", "1-5"] - 标题、作者、页数等信息(JSON):
args: ["inbox/a.pdf", "--metadata"] - 长文档先存成文本:
args: ["inbox/a.pdf", "--out", "a.txt"],再用read_file分段读,或用search_files找关键词。 - 有密码的:加
--password和密码。
- 全文:
- 输出里每页以
--- page N ---开头,引用时按它写页码。 - 拆分、合并、抽页用
run_command写一小段 Python,调用 pypdf;新文件放在/workspace下。 - 做好的文件用
share_file交给用户。
容易出错的地方
- 脚本退出码为 3、提示没有可取的文字,说明是扫描出来的图片型 PDF;本机没有文字识别,只能看页面图片或告诉用户这一点。部分页没有文字时,脚本会单独报出这些页。
- 表格、多栏排版取出来的顺序常常是乱的,引用表格里的数字前要对照原页。
- 页码范围超出文档页数时脚本直接报错,先用
--metadata看页数。
怎样算办成(核实证据)
给出的文字能在脚本输出里对应到原页,并写了页码;交出去的文件 share_file 成功,页数和内容与预期一致(可以对新文件再跑一次 --metadata 核对页数)。
什么时候停下交给用户
文档有密码而用户没给,或者需要用户决定保留哪些页、按什么顺序合并时,先问用户。