文档处理器

从任何文档格式中提取文本、元数据和内容。

支持的格式

格式	扩展名	文本提取	元数据	转换
PDF	.pdf	✅ pdftotext	✅ pdfinfo	✅ pdftoppm
Word

.docx | ✅ unzip + xml | ✅ | ✅ | | Excel | .xlsx | ✅ unzip + xml | ✅ | ✅ | | PowerPoint | .pptx | ✅ unzip + xml | ✅ | ✅ | | EPUB | .epub | ✅ unzip + html | ✅ | ✅ | | RTF | .rtf | ✅ textutil | ✅ | ✅ | | OpenDocument | .odt, .ods, .odp | ✅ unzip + xml | ✅ | ✅ |

快速命令

PDF

bash

提取文本

pdftotext -layout input.pdf output.txt

获取元数据

pdfinfo input.pdf

转换为图像（用于OCR或查看）

pdftoppm -png input.pdf output_prefix

提取特定页面

pdftotext -f 5 -l 10 -layout input.pdf output.txt

DOCX/XLSX/PPTX（Office Open XML）

bash

从DOCX提取文本

unzip -p input.docx word/document.xml | sed s/<[^>]*>//g | tr -s \n

从XLSX提取文本（所有工作表）

unzip -p input.xlsx xl/sharedStrings.xml | sed s/<[^>]*>//g | tr -s \n

从PPTX提取文本

unzip -p input.pptx ppt/slides/.xml | sed s/<[^>]>//g | tr -s \n

获取元数据

unzip -p input.docx docProps/core.xml

RTF（macOS）

bash

将RTF转换为纯文本

textutil -convert txt input.rtf -output output.txt

将RTF转换为HTML

textutil -convert html input.rtf -output output.html

EPUB

bash

提取并读取EPUB内容

unzip -l input.epub # 列出内容
unzip -p input.epub *.html | lynx -stdin -dump # 通过lynx获取文本
unzip -p input.epub .xhtml | sed s/<[^>]>//g # 原始文本

OpenDocument（ODT/ODS/ODP）

bash

从ODT提取文本

unzip -p input.odt content.xml | sed s/<[^>]*>//g | tr -s \n

从ODS提取文本

unzip -p input.ods content.xml | sed s/<[^>]*>//g

获取元数据

unzip -p input.odt meta.xml

脚本

extract_document.sh

从任何支持的文档格式中提取文本和元数据。

bash
~/Dropbox/jarvis/skills/document-handler/scripts/extract_document.sh <文件>

输出：

• - 文本内容到标准输出
• 元数据作为JSON注释

pdftoimages.sh

将PDF页面转换为图像，用于OCR或视觉处理。

bash
~/Dropbox/jarvis/skills/document-handler/scripts/pdftoimages.sh <输出目录> [dpi]

工作流程

1. 1. 识别格式 — 检查文件扩展名
2. 提取文本 — 使用适当的工具
3. 获取元数据 — 作者、日期、页数等
4. 处理内容 — 摘要、搜索、转换

备注

• - 包含扫描图像的PDF需要OCR（pdftoppm + tesseract）
• 加密的PDF需要密码
• 复杂格式可能在文本提取中丢失
• 对于PDF中的表格，请考虑使用tabula或camelot