doc-extract-filter
元数据
基本信息
- name: doc-extract-filter
- description: 文件处理技能，支持多种文件格式的文本提取、关键词/正则表达式筛选、排除筛选和批量文件处理
- version: 1.1.1
- author: file-agent team
- license: MIT-0
OpenClaw 配置
{
"name": "doc-extract-filter",
"description": "文件处理技能，支持多种文件格式的文本提取、关键词/正则表达式筛选、排除筛选和批量文件处理",
"version": "1.1.1",
"author": "file-agent team",
"license": "MIT-0",
"type": "tool",
"entry_point": "scripts/doc-extract-filter.py",
"parameters": {
"file_path": {
"type": "string",
"description": "文件路径",
"required": false
},
"action": {
"type": "string",
"description": "操作类型：extract 或 filter",
"required": true
},
"keywords": {
"type": "array",
"description": "关键词列表（仅 filter 操作需要）",
"required": false
},
"regex": {
"type": "string",
"description": "正则表达式模式（仅 filter 操作需要）",
"required": false
},
"enable_ocr": {
"type": "boolean",
"description": "启用 OCR 支持（用于扫描件 PDF）",
"required": false
},
"exclude_keywords": {
"type": "array",
"description": "排除关键词列表（仅 filter 操作需要）",
"required": false
},
"exclude_regex": {
"type": "string",
"description": "排除正则表达式模式（仅 filter 操作需要）",
"required": false
},
"context_length": {
"type": "integer",
"description": "上下文长度（默认50字符）",
"required": false
},
"filter_level": {
"type": "string",
"description": "筛选级别：line（按行）或 paragraph（按段落）",
"required": false
},
"batch": {
"type": "boolean",
"description": "开启批量处理模式",
"required": false
},
"input_dir": {
"type": "string",
"description": "批量处理的输入文件夹路径",
"required": false
},
"file_paths": {
"type": "array",
"description": "批量处理的文件列表",
"required": false
},
"output_dir": {
"type": "string",
"description": "批量结果输出目录",
"required": false
},
"merge_results": {
"type": "boolean",
"description": "是否合并所有文件结果为一个 JSON 文件",
"required": false
}
}
}CoPaw 配置
name: doc-extract-filter
description: 文件处理技能，支持多种文件格式的文本提取、关键词/正则表达式筛选、排除筛选和批量文件处理
version: 1.1.1
author: file-agent team
license: MIT-0
type: tool
entry_point: scripts/doc-extract-filter.py
parameters:
file_path:
type: string
description: 文件路径
required: false
action:
type: string
description: 操作类型：extract 或 filter
required: true
keywords:
type: array
description: 关键词列表（仅 filter 操作需要）
required: false
regex:
type: string
description: 正则表达式模式（仅 filter 操作需要）
required: false
enable_ocr:
type: boolean
description: 启用 OCR 支持（用于扫描件 PDF）
required: false
exclude_keywords:
type: array
description: 排除关键词列表（仅 filter 操作需要）
required: false
exclude_regex:
type: string
description: 排除正则表达式模式（仅 filter 操作需要）
required: false
context_length:
type: integer
description: 上下文长度（默认50字符）
required: false
filter_level:
type: string
description: 筛选级别：line（按行）或 paragraph（按段落）
required: false
batch:
type: boolean
description: 开启批量处理模式
required: false
input_dir:
type: string
description: 批量处理的输入文件夹路径
required: false
file_paths:
type: array
description: 批量处理的文件列表
required: false
output_dir:
type: string
description: 批量结果输出目录
required: false
merge_results:
type: boolean
description: 是否合并所有文件结果为一个 JSON 文件
required: false更新说明
- 版本 1.1.1: 新增格式扩展+兼容性优化和筛选功能增强
- 新增支持 CSV、Markdown（.md）、WPS（.wps/.et）文件提取 - 修复 Excel 合并单元格、PDF 扫描件、Word 图文混排的提取问题 - 新增 --enable-ocr 参数（可选），支持扫描件 PDF 轻量 OCR 提取 - 新增智能格式检测逻辑，自动识别文件类型，无需用户指定 - 新增 --exclude-keywords/--exclude-regex 参数，支持排除指定内容 - 新增 --context-length N 参数，返回筛选结果的上下文（默认 50 字符） - 新增 --filter-level（line/paragraph）参数，支持按行/段落筛选 - 批量处理模式下，筛选增强逻辑自动适配，结果按文件维度保留筛选细节 - 依赖新增 tesseract（可选）、python-markdown，写入 requirements.txt 并标注可选
- 版本 1.1.0: 添加了批量文件处理功能
- 版本 1.0.3: 添加了正则表达式筛选功能
- 版本 1.0.2: 移除了未使用的依赖，优化了项目结构
使用说明
功能
- extract: 提取文件中的文本内容，支持多种文件格式
- filter: 提取文件中的文本并筛选包含指定关键词或匹配正则表达式的内容，支持排除筛选
- batch: 批量处理多个文件，支持文件夹遍历和多文件列表
调用方式
CLI 调用
# 单个文件处理
python scripts/doc-extract-filter.py --file_path "path/to/file.pdf" --action "extract"
python scripts/doc-extract-filter.py --file_path "path/to/file.pdf" --action "filter" --keywords "关键词1,关键词2"
python scripts/doc-extract-filter.py --file_path "path/to/file.pdf" --action "filter" --regex "\d{4}-\d{2}-\d{2}"
# 提取 PDF 扫描件（启用 OCR）
python scripts/doc-extract-filter.py --file_path "path/to/scanned.pdf" --action "extract" --enable-ocr
# 筛选并排除指定内容
python scripts/doc-extract-filter.py --file_path "path/to/file.pdf" --action "filter" --keywords "关键词" --exclude-keywords "排除词"
# 设置上下文长度和筛选级别
python scripts/doc-extract-filter.py --file_path "path/to/file.pdf" --action "filter" --keywords "关键词" --context-length 100 --filter-level "paragraph"
# 批量处理 - 文件夹路径
python scripts/doc-extract-filter.py --batch --input-dir "path/to/folder" --action "extract" --output-dir "batch-results"
# 批量处理 - 文件列表
python scripts/doc-extract-filter.py --batch --file-paths "path/to/file1.pdf,path/to/file2.docx" --action "extract" --output-dir "batch-results"
# 批量处理并合并结果
python scripts/doc-extract-filter.py --batch --input-dir "path/to/folder" --action "extract" --output-dir "batch-results" --merge-results
# 批量筛选
python scripts/doc-extract-filter.py --batch --input-dir "path/to/folder" --action "filter" --keywords "关键词" --output-dir "batch-results"Python 函数调用
from scripts.doc_extract_filter import DocExtractFilter
# 提取文本
result = DocExtractFilter.process("path/to/file.pdf", "extract")
# 提取 PDF 扫描件（启用 OCR）
result = DocExtractFilter.process("path/to/scanned.pdf", "extract", enable_ocr=True)
# 筛选关键词
result = DocExtractFilter.process("path/to/file.pdf", "filter", ["关键词1", "关键词2"])
# 筛选并排除指定内容
result = DocExtractFilter.process("path/to/file.pdf", "filter", ["关键词"], exclude_keywords=["排除词"])
# 设置上下文长度和筛选级别
result = DocExtractFilter.process("path/to/file.pdf", "filter", ["关键词"], context_length=100, filter_level="paragraph")
# 使用正则表达式筛选
result = DocExtractFilter.process("path/to/file.pdf", "filter", regex_pattern="\d{4}-\d{2}-\d{2}")
# 批量处理 - 文件夹路径
result = DocExtractFilter.batch_process(
input_dir="path/to/folder",
action="extract",
output_dir="batch-results"
)
# 批量处理 - 文件列表
result = DocExtractFilter.batch_process(
file_paths=["path/to/file1.pdf", "path/to/file2.docx"],
action="extract",
output_dir="batch-results"
)
# 批量处理并合并结果
result = DocExtractFilter.batch_process(
input_dir="path/to/folder",
action="extract",
output_dir="batch-results",
merge_results=True
)返回格式
{
"success": true,
"data": {
"text": "提取的文本内容",
"filtered_text": "筛选后的文本内容" // 仅 filter 操作返回
},
"error": ""
}错误处理
- 文件不存在：返回错误信息
- 不支持的文件类型：返回错误信息
- 操作失败：返回错误信息
安装与测试
安装
- 将
doc-extract-filter目录复制到 OpenClaw/CoPaw 的 skills 目录 - 运行
pip install -r requirements.txt安装依赖
测试
使用 docs/test.pdf 文件测试功能：
# 测试提取文本
python scripts/doc-extract-filter.py --file_path "docs/test.pdf" --action "extract"
# 测试关键词筛选
python scripts/doc-extract-filter.py --file_path "docs/test.pdf" --action "filter" --keywords "单价,小计,总金额"
# 测试排除筛选
python scripts/doc-extract-filter.py --file_path "docs/test.pdf" --action "filter" --keywords "单价" --exclude-keywords "小计"独立运行
doc-extract-filter 现在包含了所有必要的核心代码，可以独立运行，不依赖于外部的 src 目录。