（5219期）pdf-extract – 极简透明的 PDF 文本提取

极简透明的 PDF 文本提取 基于成熟开源工具 pdftotext 的 PDF 文本提取技能，将 PDF 文档转换为纯文本供 LLM 处理，功能透明、依赖可信。 使用说明 核心用法 pdf-extract 是一个极简的 PDF 文本提取工具，专为 LLM 场景设计。用户通过简单的命令即可将 PDF 文档转换为纯文本：基础用法为 pdf-extract "document.pdf" 提取全文，或指定页码范围 pdf-extract "document.pdf" --pages 1-5 进行局部提取。该技能本身不执行复杂逻辑，而是调用系统预装的 pdftotext 命令完成实际转换工作。 显著优点 架构简洁透明：无自定义代码执行，完全依赖成熟的外部工具，代码可审计性极高。依赖可靠：pdftotext 来自 Poppler 开源项目，是 Linux 发行版的标准组件，经过长期安全验证。零网络风险：不涉及任何网络通信，杜绝数据外泄可能。沙箱友好：仅需文件读取和执行权限，易于在受限环境中部署。 潜在缺点与局限性 功能单一：仅支持文本提取，无法处理扫描版 PDF（需 OCR）、无法保留格式信息、不支持表格或图片内容提取。系统依赖强：必须预装 poppler-utils 包，跨平台部署存在环境配置成本。输入风险：PDF 文件路径直接传递给系统命令，若未妥善验证可能存在路径遍历风险。无高级特性：不支持密码保护 PDF 的解密、不支持批量处理优化、无输出格式定制选项。 适合的目标群体 该技能最适合以下场景：需要快速将 PDF 论文、报告、合同等文档送入 LLM 进行摘要或问答的知识工作者；构建 RAG 流水线需要纯文本中间件的开发者；在受控服务器环境中进行文档处理的运维人员；以及对工具透明度有严格要求的安全敏感型用户。不适合需要复杂 PDF 解析（如表格提取、版面分析）或处理扫描文档的场景。 使用风险 命令注入风险：虽然 skill 框架会对参数进行处理，但极端情况下恶意构造的文件路径仍可能引发意外行为，建议配合路径白名单使用。依赖版本风险：系统 pdftotext 版本过旧可能存在已知漏洞，需保持依赖更新。性能瓶颈：超大 PDF 或批量处理时，外部进程调用开销明显，无内置并发优化。错误处理有限：依赖工具的退出码和 stderr，复杂 PDF（损坏、加密）的错误信息可能不够友好。 原始说明 Extract text from PDF files for LLM processing