Extract Doc#

提取 .docx/.xlsx/.pdf/图片 文档内容，转换为 Markdown 格式。

触发#

/extract-doc <file_path>

参数:

• file_path: 文档路径（支持 .docx/.xlsx/.pdf/.png/.jpg/.bmp）

---

支持格式#

格式扩展名提取方法特殊处理Word.docxpython-docx段落、表格、列表Excel.xlsxopenpyxl多 Sheet、表格PDF.pdfpymupdf + MCP OCR文本型/扫描型图片.png/.jpg/.bmpMCP OCR中文/英文/代码

---

OCR 规则#

必须使用 MCP OCR，禁止安装本地 OCR 库 (pytesseract 等)。

工具: mcp__zai-mcp-server__extract_text_from_screenshot

text

参数:
  image_source: 图片路径或 URL
  prompt: 提取指令 (如 "提取所有文本内容，保持原有排版")
  programming_language: 代码语言 (可选，如 "python")

---

依赖安装#

首次使用前执行

bash

pip install python-docx openpyxl pymupdf

库版本用途python-docx>=0.8.11Word 解析openpyxl>=3.1.0Excel 解析pymupdf>=1.23.0PDF 解析

---

执行流程#

Step 1: 按类型提取#

验证文件存在后，根据扩展名选择提取方法。

.docx 文件

python

from docx import Document
doc = Document(path)

# 段落: 识别标题层级
for para in doc.paragraphs:
    if para.style.name.startswith('Heading'):
        level = para.style.name.split()[-1]
        # 输出: {'#' * int(level)} {para.text}
    else:
        # 输出: para.text

# 表格: 转 Markdown 表格
for table in doc.tables:
    # 第1行为表头, 其余为数据行

.xlsx 文件

python

from openpyxl import load_workbook
wb = load_workbook(path)

for sheet_name in wb.sheetnames:
    sheet = wb[sheet_name]
    # 第1行检测表头, 第2行起为数据, 转为 Markdown 表格

.pdf 文件

python

import fitz  # pymupdf
doc = fitz.open(path)

for i, page in enumerate(doc, 1):
    text = page.get_text().strip()
    if text:
        # 文本型 PDF - 直接提取
    else:
        # 扫描型 PDF - 渲染为图片 + MCP OCR
        pix = page.get_pixmap(dpi=150)
        pix.save(f"/tmp/pdf_page_{i}.png")
        # 调用 mcp__zai-mcp-server__extract_text_from_screenshot(...)

图片文件 (MCP OCR)

text

直接调用:
mcp__zai-mcp-server__extract_text_from_screenshot(
    image_source="D:/docs/scan.png",
    prompt="提取图片中的所有文字，保持原有排版和表格结构"
)

Step 2: 格式化输出#

转换为 Markdown，保持原有结构。

---

输出格式#

markdown

# 文档名称

## 元信息
- 类型: [Word/Excel/PDF/图片]
- 页数/工作表: [N]
- OCR: [是/否]

## 内容

[提取的文本内容，保持原始结构]

### 表格 1

| 列1 | 列2 | 列3 |
|-----|-----|-----|
| ... | ... | ... |

---

错误处理#

错误处理文件不存在验证路径，搜索相似文件名库未安装显示 pip install 命令大文件 (>10MB)警告并建议分段提取编码问题尝试 UTF-8/GBK 解码PDF 加密提示需要密码OCR 失败检查图片清晰度，建议 DPI >= 150不支持的格式列出支持的格式列表

---

B6x 项目典型用例#

文档类型用例需求文档 (.docx)提取功能需求转 Markdown规格书 (.pdf)提取芯片规格、寄存器描述测试用例 (.xlsx)提取测试项转为可读格式扫描件 (.png)OCR 识别手写笔记代码截图提取代码文本