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 <input-pdf> <output-pdf>
<input-pdf>：原始扫描 PDF 路径<output-pdf>：输出带文字层的 PDF（同目录或指定路径）
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 <pdf-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:\docs\scan1.pdf D:\docs\scan1_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。