name: pdf-reader
description: 读取与解析PDF文件文本与表格。用户要求读取、解析、提取或摘要PDF内容时调用。
dependency:
python:
- PyPDF2>=3.0.0

PDF文档读取专家（PDF）

任务目标

• 用于读取.pdf文件并提取文本内容与基本结构
• 能力包含：
• 逐页提取纯文本
• 提供合并后的全文
• 基本页统计信息
• 简单元数据读取（标题、作者等，如可用）
• 触发条件：
• 用户提供.pdf文件路径
• 用户要求读取、解析或提取PDF内容

前置准备

• 依赖说明：
  pdfminer.six>=20221105 PyPDF2>=3.0.0
• 无需额外文件准备

操作步骤

步骤1：解析PDF文件

调用 scripts/read_pdf.py 读取PDF：
- 输入：PDF文件路径
- 输出：结构化JSON数据

步骤2：输出结构化内容

输出包含：
- content：合并后的纯文本
- metadata：可用时的PDF元数据
- statistics：页数与字符数统计

输出格式

{
  "success": true/false,
  "file_path": "输入路径",
  "content": "合并后的纯文本",
  "metadata": {
    "title": "可选",
    "author": "可选",
    "creator": "可选",
    "producer": "可选",
    "subject": "可选"
  },
  "statistics": {
    "page_count": 0,
    "char_count": 0
  },
  "error": "错误信息或null"
}

资源索引

• 读取脚本：见 scripts/read_pdf.py
• 用途：读取PDF并提取每页文本与元数据
• 参数：file_path - PDF文件路径
• 适用场景：任意PDF文档解析

使用示例

功能：读取项目白皮书.pdf
输入：D:\docs\whitepaper.pdf
执行方式：
1. 调用read_pdf.py读取文件
2. 输出每页与全文结构化结果
3. 需要时再进行摘要或分析

适用场景

• 文档内容提取与检索
• 报告内容摘要前的文本读取
• 法规、论文PDF文本解析