批量 OCR 处理扫描 PDF，自动生成带文字层的 PDF 并可导出为 Markdown/纯文本。使用场景包括老师 Agent 需要将大量扫描教材 PDF 转化为可检索文本。
PDF OCR 处理技能
功能概述
PDF OCR 处理技能是一项面向实际任务的技能，主要用于需要对大量扫描件 PDF 进行文字识别（OCR）；希望直接得到可搜索的 PDF（文字层）或提取的纯文本/Markdown；
核心要点
- 需要在老师 Agent 工作流中自动化该步骤；
- 基本使用方式；
- <input-pdf> ：原始扫描 PDF 路径；
使用与执行
<output-pdf> ：输出带文字层的 PDF（同目录或指定路径）；若想一次性处理目录下所有 PDF，使用 --batch。它将相关步骤、工具调用和结果整理方式集中到统一流程中，帮助使用者更快完成目标并减少重复操作。从功能定位来看，该技能强调把分散的操作要求整理成清晰、可复用的处理流程，使用户能够围绕既定目标快速准备输入、选择执行方式并获得结构化结果。实际使用前应先确认任务范围、数据来源、运行环境、必要权限和关键参数，再依据技能说明逐步执行；
结果检查与注意事项
若输入条件不完整，应先补齐信息或采用保守配置，避免因错误假设导致结果偏离需求。执行过程中需要关注工具调用是否成功、接口或依赖是否可用、输出格式是否符合预期，并对异常提示、缺失字段和边界情况进行处理；涉及批量任务时，还应保存进度，避免中断后重复操作。该技能适合用于一次性任务，也可以接入自动化工作流，与其他技能或上层代理配合完成更完整的业务链路；在组合使用时，应明确每一步的输入输出关系，并避免不同步骤之间出现参数冲突。
PDF OCR 处理技能
何时使用
- 需要对大量扫描件 PDF 进行文字识别（OCR）
- 希望直接得到可搜索的 PDF（文字层）或提取的纯文本/Markdown
- 需要在老师 Agent 工作流中自动化该步骤
基本使用方式
# 运行一次 OCR（需要已安装 Tesseract 与 ocrmypdf） openclaw exec python skills/pdf-ocr/scripts/ocr_batch.py
高级选项
- 若想一次性处理目录下所有 PDF，使用
--batch-dir参数：
openclaw exec python skills/pdf-ocr/scripts/ocr_batch.py --batch-dir
- 可加
--lang chi_sim指定中文简体模型（默认 tesseract 会自动检测语言）
脚本说明 (scripts/ocr_batch.py)
- 检测并确保
ocrmypdf可用；如未安装会提示安装指令 - 使用
ocrmypdf完成 OCR，内部调用已装好的 Tesseract - 支持批量目录模式，遍历
*.pdf并生成对应带文字层文件 - 错误会记录到
logs/pdf_ocr_error.log，便于排查
参考资源
references/ocr_tips.md：常见 OCR 参数调优技巧（如 DPI、图片预处理）references/install_ocr.md：在 Windows 上安装 Tesseract 与 ocrmypdf 的详细步骤
与老师 Agent 的集成
在老师 Agent 的工作流（如 auto_ingest）中，可在 HEARTBEAT.md 或 cron 中加入如下调用，以实现每日自动 OCR：
openclaw exec python skills/pdf-ocr/scripts/ocr_batch.py --batch-dir /path/to/teacher-pdfs
这样老师 Agent 在 ingest 前就已拥有文字层，后续向量化、检索都能顺畅进行。
使用示例
- 单文件 OCR：
openclaw exec python skills/pdf-ocr/scripts/ocr_batch.py D:docsscan1.pdf D:docsscan1_text.pdf
- 批量目录 OCR：
openclaw exec python skills/pdf-ocr/scripts/ocr_batch.py --batch-dir D:teacher-pdfs
如需更细粒度的文本（Markdown），可在脚本后接 pdf2txt.py 转换。
注意：此技能仅在本机执行，不会触发外部网络请求，符合安全策略。
热门AI工具
相关专题
Vite项目打包部署专题汇集生产构建、产物预览、输出目录、资源路径、Nginx与GitHub Pages部署及常见白屏和路由404问题的已审核文章，帮助读者完成上线流程。
0
2026.10.28
Vite搭配Vue.js专题汇集创建Vue 3项目、配置开发环境、路径别名、Vue插件、代理、多环境构建与调试的已审核文章，帮助读者完成从初始化到日常开发的配置。
0
2026.10.28
Vite项目目录专题汇集入口文件、src源码、public静态资源、路径别名、项目根目录和构建输出目录相关的已审核文章，帮助读者理解各文件夹的用途与引用方式。
0
2026.10.28
本专题介绍Gradle插件开发的基本流程，涵盖插件类编写、自定义任务注册、扩展参数设计和插件应用方法，帮助你理解插件如何组织构建逻辑，减少多个项目之间的重复配置。
0
2026.10.22
本专题介绍Gradle Wrapper的基本作用，涵盖文件组成、生成方法、版本配置和任务调用，帮助你理解项目如何使用指定的Gradle版本，减少不同开发环境带来的构建差异。
0
2026.10.22
本专题整理Golangci-lint常用Linters的用途与配置方法，覆盖错误处理、无效代码、安全、复杂度、命名和依赖检查，帮助项目合理选规则。
0
2026.10.22
本专题介绍Gradle Java项目构建方法，涵盖Java插件配置、依赖声明、源码编译、测试执行和打包检查，帮助你理解各阶段的任务关系，逐步完成项目构建。
0
2026.10.22
本专题汇总PHP常见时间戳漏洞，包括2038年溢出、时区漂移、时间戳伪造、重放攻击、时间盲注与日志审计失效等，并给出升级64位环境、使用 DateTimeImmutable、统一UTC、严格超时校验、预处理绑定、hash_equals 比对等修复方案，帮助开发者快速排查和加固时间相关代码。
0
2026.10.22
本专题聚焦Golangci-lint YAML配置文件，讲清运行参数、规则启停、目录排除、问题过滤及严重级别设置，便于团队统一检查标准。
0
2026.10.22
热门下载
相关下载
精品课程
共6课时 | 12.1万人学习
共79课时 | 161.6万人学习
共6课时 | 54.7万人学习
最新文章
