extracting-pdf-text

Compare original and translation side by side

🇺🇸

Original

English

🇨🇳

Translation

Chinese

Extracting PDF Text for LLMs

为LLM提取PDF文本

This skill provides tools and guidance for extracting text from PDFs in formats suitable for language model consumption.

本技能提供工具和指南，用于从PDF中提取适合语言模型使用的文本格式。

Quick Decision Guide

快速决策指南

PDF Type	Best Approach	Script
Simple text PDF	PyMuPDF	`scripts/extract_pymupdf.py`
PDF with tables	pdfplumber	`scripts/extract_pdfplumber.py`
Scanned/image PDF (local)	pytesseract	`scripts/extract_with_ocr.py`
Complex layout, highest accuracy	Mistral OCR API	`scripts/extract_mistral_ocr.py`
End-to-end RAG pipeline	marker-pdf	`pip install marker-pdf`

PDF类型	最佳方案	脚本
纯文本PDF	PyMuPDF	`scripts/extract_pymupdf.py`
含表格的PDF	pdfplumber	`scripts/extract_pdfplumber.py`
扫描版/图片PDF（本地）	pytesseract	`scripts/extract_with_ocr.py`
复杂布局、最高精度	Mistral OCR API	`scripts/extract_mistral_ocr.py`
端到端RAG流水线	marker-pdf	`pip install marker-pdf`

Recommended Workflow

Local Extraction (No API Required)

本地提取（无需API）

PyMuPDF - Fast General Extraction

PyMuPDF - 快速通用提取

Best for: Text-heavy PDFs, speed-critical workflows, basic structure preservation.

bash

uv run scripts/extract_pymupdf.py input.pdf output.md

The script outputs markdown with preserved headings and paragraphs. For LLM-optimized output, it uses

pymupdf4llm

which formats text for RAG systems.

最适合：文本密集型PDF、对速度要求高的工作流、基础结构保留。

bash

uv run scripts/extract_pymupdf.py input.pdf output.md

该脚本输出保留标题和段落的markdown格式。为适配LLM优化输出，它使用

pymupdf4llm

来为RAG系统格式化文本。

pdfplumber - Table Extraction

pdfplumber - 表格提取

Best for: PDFs with tables, financial documents, structured data.

bash

uv run scripts/extract_pdfplumber.py input.pdf output.md

Tables are converted to markdown format. Note: pdfplumber works best on machine-generated PDFs, not scanned documents.

最适合：含表格的PDF、财务文档、结构化数据。

bash

uv run scripts/extract_pdfplumber.py input.pdf output.md

表格会转换为markdown格式。注意：pdfplumber在机器生成的PDF上表现最佳，不适用于扫描版文档。

Local OCR - Scanned Documents

本地OCR - 扫描版文档

Best for: Scanned PDFs when API access is unavailable.

bash

uv run scripts/extract_with_ocr.py input.pdf output.txt

Requires:

pytesseract

pdf2image

, and Tesseract installed (

brew install tesseract

on macOS).

最适合：无法访问API时处理扫描版PDF。

bash

uv run scripts/extract_with_ocr.py input.pdf output.txt

依赖：

pytesseract

、

pdf2image

，以及已安装的Tesseract（macOS系统可通过

brew install tesseract

安装）。

API-Based Extraction

基于API的提取

Mistral OCR API

Best for: Complex layouts, scanned documents, highest accuracy, multilingual content, math formulas.

Pricing: ~1000 pages per dollar (very cost-effective)

bash

export MISTRAL_API_KEY="your-key"
uv run scripts/extract_mistral_ocr.py input.pdf output.md

Features:

Outputs clean markdown
Preserves document structure (headings, lists, tables)
Handles images, math equations, multilingual text
95%+ accuracy on complex documents

For detailed API options and other services, see references/api-services.md.

最适合：复杂布局、扫描版文档、最高精度、多语言内容、数学公式。

定价：约1美元处理1000页（性价比极高）

bash

export MISTRAL_API_KEY="your-key"
uv run scripts/extract_mistral_ocr.py input.pdf output.md

特性：

输出整洁的markdown格式
保留文档结构（标题、列表、表格）
可处理图片、数学公式、多语言文本
复杂文档处理精度达95%以上

如需详细的API选项及其他服务，请查看references/api-services.md。

Output Format Recommendations

输出格式建议

For LLM consumption, markdown is preferred:

Preserves semantic structure (headings become context boundaries)
Tables remain readable
Compatible with most RAG chunking strategies

For detailed comparisons of local tools, see references/local-tools.md.

对于LLM使用，推荐使用markdown格式：

保留语义结构（标题作为上下文边界）
表格保持可读
兼容大多数RAG分块策略

如需本地工具的详细对比，请查看references/local-tools.md。

extracting-pdf-text

Original

Translation

Extracting PDF Text for LLMs

为LLM提取PDF文本

Quick Decision Guide

快速决策指南

Recommended Workflow

推荐工作流

Local Extraction (No API Required)

本地提取（无需API）

PyMuPDF - Fast General Extraction

PyMuPDF - 快速通用提取

pdfplumber - Table Extraction

pdfplumber - 表格提取

Local OCR - Scanned Documents

本地OCR - 扫描版文档

API-Based Extraction

基于API的提取

Mistral OCR API

Mistral OCR API

Output Format Recommendations

输出格式建议