# 抓取网页 → 转换PDF → 智能摘要
python3 scrapling-fetch/scripts/fetch.py "https://example.com/article" --text > temp.md
python3 doc-genius/scripts/doc_processor.py summarize temp.md

Doc Genius - 智能文档处理助手

快速开始

智能摘要

bash

PDF摘要

python3 scripts/doc_processor.py summarize /path/to/document.pdf

Word摘要

python3 scripts/doc_processor.py summarize /path/to/document.docx

Markdown摘要

python3 scripts/doc_processor.py summarize /path/to/document.md --format json

格式转换

bash

PDF → Markdown

python3 scripts/doc_processor.py convert /path/to/document.pdf --output markdown

Word → Markdown

python3 scripts/doc_processor.py convert /path/to/document.docx --output markdown

Markdown → HTML

python3 scripts/doc_processor.py convert /path/to/document.md --output html

批量处理

bash

批量转换文件夹

python3 scripts/doc_processor.py batch /path/to/folder --output markdown

批量摘要

python3 scripts/doc_processor.py batch /path/to/folder --action summarize

---

输出格式

JSON格式（默认）

json
{
file: document.pdf,
type: pdf,
summary: 这是文档的智能摘要...,
keywords: [关键词1, 关键词2],
word_count: 5000,
pages: 12
}

Markdown格式

bash
python3 scripts/doc_processor.py summarize document.pdf --format markdown

---

核心功能

1. 智能摘要

支持格式：

• - ✅ PDF（PyPDF2）
• ✅ Word（.docx）
• ✅ Markdown
• ✅ 纯文本

摘要算法：

• - 本地摘要（TextRank，速度快）
• AI摘要（OpenAI API，质量高）

示例：

python

本地摘要

python3 scripts/doc_processor.py summarize document.pdf --method local

AI摘要（需配置API Key）

export OPENAIAPIKEY=sk-xxx python3 scripts/doc_processor.py summarize document.pdf --method ai

---

2. 格式转换

转换矩阵：

输入格式	输出格式	状态
PDF	Markdown	✅
PDF

HTML | ⚠️ 实验性 |
| Word | Markdown | ✅ |
| Word | HTML | ✅ |
| Markdown | HTML | ✅ |
| Markdown | Word | 🔜 计划中 |

示例：

bash

PDF → Markdown（推荐）

python3 scripts/doc_processor.py convert report.pdf --output markdown

Word → HTML

python3 scripts/doc_processor.py convert report.docx --output html

---

3. 批量处理

功能：

• - 文件夹扫描
• 并发处理
• 进度报告
• 错误日志

示例：

bash

批量转换（默认并发数=5）

python3 scripts/doc_processor.py batch /path/to/docs --output markdown

指定并发数

python3 scripts/doc_processor.py batch /path/to/docs --output markdown --workers 10

生成报告

python3 scripts/doc_processor.py batch /path/to/docs --action summarize --report report.json

---

4. 结构化提取（实验性）

提取内容：

• - 标题层级
• 目录
• 关键信息（日期、金额、人名）

示例：

bash
python3 scripts/doc_processor.py extract document.pdf --fields title,toc,dates

---

高级用法

使用AI摘要

bash

配置API Key

export OPENAIAPIKEY=sk-xxx

AI摘要（更智能）

python3 scripts/doc_processor.py summarize document.pdf --method ai --model gpt-4

自定义输出

bash

指定输出文件

python3 scripts/doc_processor.py convert document.pdf --output markdown --out-file output.md

指定输出目录

python3 scripts/doc_processor.py batch /path/to/docs --output-dir /path/to/output

过滤处理

bash

只处理PDF文件

python3 scripts/doc_processor.py batch /path/to/docs --filter *.pdf

排除文件

python3 scripts/docprocessor.py batch /path/to/docs --exclude temp*

---

技术细节

依赖库

PyPDF2==3.0.1 # PDF处理
python-docx==1.1.0 # Word处理
markdown==3.5.1 # Markdown处理
beautifulsoup4==4.12.2 # HTML解析
aiofiles==23.2.1 # 异步文件处理

安装依赖

bash
pip install PyPDF2 python-docx markdown beautifulsoup4 aiofiles

---

性能优化

并发处理

• - 默认并发数：5
• 最大并发数：20
• 推荐：根据CPU核心数调整

内存优化

• - 流式处理大文件（>10MB）
• 分块处理（避免内存溢出）

---

错误处理

常见错误

错误	原因	解决方案
FileNotFoundError	文件不存在	检查路径
PermissionError

权限不足 | 检查文件权限 | | UnsupportedFormat | 格式不支持 | 查看支持列表 |

日志级别

bash

调试模式

python3 scripts/doc_processor.py summarize document.pdf --log-level debug

---

最佳实践

1. 大文件处理

bash

分块处理

python3 scripts/doc_processor.py summarize large.pdf --chunk-size 1000

2. 批量处理优化

bash

使用适当的并发数

python3 scripts/doc_processor.py batch /path/to/docs --workers $(nproc)

3. 输出格式选择

场景	推荐格式
内容分析	JSON
人类阅读

Markdown | | 网页展示 | HTML |

---

使用场景

1. 研究人员

• - 快速阅读大量论文
• 提取关键信息
• 生成文献摘要

2. 内容创作者

• - 转换格式（PDF→Markdown）
• 提取素材
• 智能摘要

3. 企业用户

• - 批量处理合同
• 文档格式统一
• 知识库构建

---

与其他技能配合

scrapling-fetch

bash

抓取网页 → 转换PDF → 智能摘要

python3 scrapling-fetch/scripts/fetch.py https://example.com/article --text > temp.md python3 doc-genius/scripts/doc_processor.py summarize temp.md

---

更新日志

v1.0.0 (2026-03-07)

• - ✅ 初始发布
• ✅ 支持PDF/Word/Markdown摘要
• ✅ 支持格式转换
• ✅ 支持批量处理

---

反馈与支持

• - GitHub Issues: [待补充]
• ClawHub: https://clawhub.com/skill/doc-genius
• Email: [待补充]

---

Doc Genius - 让文档处理更智能 📄✨