Pdf editor

Skill yugef3h/leo-skills/skills/pdf-editor

agent-skills,Expert code review skill: SOLID, security, performance, error handling, boundary conditions

Install

npx -y skills add yugef3h/leo-skills --skill pdf-editor

Assembled from the repository path, not quoted from the project. Check it against their README if it does not work.

One thing to look at

11 stars11 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.

What its author says it does

Copied from the file, not written here

Use when the user needs to modify a PDF template — replacing variables like names, dates, amounts, or branding elements while preserving the original layout, fonts, colors, underlines, and spacing. Covers the full pipeline: analyze PDF structure (text layer vs image layer), OCR text blocks, classify each block (static label vs fill-in variable), detect underlines and mixed styles within lines, extract font sizes / colors / weights / indentation levels, build a structured doc_definition.json, and render a new PDF via a reusable engine. Applies to any image-layer-dominant PDF (offer letters, contracts, certificates, invoices, forms).

SKILL.md

6.2 KB, as published. Nobody here has run it

PDF 模板改写技能

核心流程

PDF 原件 → 判断材质 → OCR 文本块 → 像素分类 → 关系发现 → doc_definition.json → engine.py → 新 PDF

第 0 步:判断 PDF 材质

import fitz
doc = fitz.open("未知.pdf")
page = doc[0]
blocks = page.get_text("dict")["blocks"]
text_spans = sum(1 for b in blocks for l in b.get("lines",[]) for _ in l["spans"])
images = page.get_images(full=True)
print(f"文字段:{text_spans}  嵌入图:{len(images)}")

情况	处理策略
文字段多(>50)、图片少	文字层主导 → 直接改 PDF 文字流
文字段少(<10)、图片是大图	图片层主导 → 拍平→像素编辑→重建

第 1 步:渲染 + OCR

DPI = 200  # A4@200DPI ≈ 1653x2338,匹配常见扫描件分辨率
mat = fitz.Matrix(DPI/72, DPI/72)
pix = page.get_pixmap(matrix=mat)
img = Image.frombytes("RGB", (pix.width, pix.height), pix.samples)
# → 喂给 OCR(macOS Vision / Tesseract / PaddleOCR)

OCR 产出: text, bbox(x,y,w,h), confidence

第 2 步:文本块分类

2.1 像素特征提取

对每个 OCR 块采样:

颜色: median([p for p in pixels if sum(p) < 600]) — 先过滤白背景再取中位数
粗细: 水平扫描笔画宽度均值 > 4.8px @200DPI → 粗体
字高: bbox 高度(近似)
对齐: x 坐标相对页面中线判断 left/center/right

2.2 分类规则(按优先级)

规则 1: 字号最大 + 页面顶部 → "主标题"
规则 2: 有颜色 + 字号偏大 → "章节标题"
规则 3: x < 100 + 字号偏大 → "章节标题"
规则 4: x 在段落基准线附近 + 常规体 → "正文"
规则 5: 正文区内 + 粗体 + 有颜色 → "填入变量"
规则 6: 正文区内 + 粗体 + 无颜色 → "强调文字"
规则 7: 右对齐 + 页面底部 → "签名区"
规则 8: 有颜色文字 → 检查是否填入变量

第 3 步:关系发现

3.1 下划线检测

下划线 = "纵向孤立 + 横向连续"的暗像素行:

for y in range(y_min, y_max):
    # 上下 2px 少暗像素 → 纵向孤立(不是文字行)
    if above_dark > 200 or below_dark > 200: continue
    # 水平连续暗段 > 80px → 下划线
    runs = find_dark_runs(gray[y], threshold=100, min_length=80)

3.2 标签-变量配对(segments 切分)

沿 x 轴逐像素扫描,颜色或粗细变化处切开:

for x in range(block.x, block.x + block.w, 2):
    color = sample_vertical_stripe(img, x, y, y+h)
    bold = measure_stroke_at(img, x, y, y+h)
    if color_diff(color, prev) > 30 or bold != prev_bold:
        segments.append({ "x0": seg_start, "x1": x, ... })

结果:同一行拆为 [标签]/[变量]/[标签]/[变量]/[标签],每段独立样式。

3.3 缩进层级

所有块 x 坐标 KMeans 聚类(n=5) → section < body < list1 < list2 < indent

第 4 步:行距测量

水平投影 + 平滑 + 寻峰:

proj = np.sum(gray < 128, axis=1)
smoothed = uniform_filter1d(proj, size=5)
peaks = find_peaks(smoothed)
gaps = [peaks[i+1] - peaks[i]]

第 5 步:产出 doc_definition.json

分析结果	JSON 映射
纯标签行	`text_template`、style 统一
标签+变量混合行	`segments`,每段独立 color/font_weight/underline
有下划线	下划线绑定到对应 segment(动态宽度)
有缩进	`draw_x` + `draw_x_first`
图形/Logo	`action: "erase"` + `texture_fill`

segments 示例 (混合样式行):

"segments": [
  { "text": "{标签前缀}", "font_weight": "regular" },
  { "text": "{变量}", "font_weight": "bold", "color": "{FILL_COLOR}",
    "underline": { "color": "{UNDERLINE_COLOR}", "width": 2 } }
]

第 6 步:渲染引擎要点

页面尺寸必须精确匹配图像像素: pw = img.width * 72.0 / DPI(否则亚像素缩放导致全页色偏)
颜色变量全部用 {KEY} 占位符,引擎从 config 取值
下划线渲染时动态计算: x = cur_x ± margin
Logo 擦除用 texture_fill(采样周边像素填充,避免纯色补丁)
字体优先用系统黑体(Hiragino Sans GB),PDF 内嵌字体可能是空子集

第 7 步:验证

1. python engine.py
2. 渲染输出 PDF → OCR → 比对变量值
3. 像素扫描 → 下划线存在 + 颜色正确
4. 原版 vs 输出像素 diff → 未修改区域色偏 < 5
5. 人工目视

常见坑

问题	原因	解决
嵌入字体渲染空白	CID 子集 glyph 轮廓为空	用 fontTools 逐字形检查 `numberOfContours`;降级系统字体
颜色采样偏暗	阈值太严,白色背景拉偏中位数	先过滤 `sum(p)<600`,再取中位数+众数验证
全页色偏	A4 尺寸和图像像素不整除	页面 pt = 图像 px * 72 / DPI
下划线错位	JSON 硬编码坐标	segments 模式,渲染时动态累加 cur_x
纯色填充有接缝	纯色 vs JPEG 纹理不一致	texture_fill 采样周边像素填充
同 pt 不同字体高度不同	字体 metrics 差异	实测渲染字高,遍历 pt 找匹配值

跨项目可复用模块

模块	功能
`analyze_block(img,bbox)`	采样式: 颜色/粗细/字高/对齐
`classify_block(features)`	规则引擎 → 类型标签
`find_underlines(img,y0,y1)`	下划线检测
`segment_mixed_line(img,block)`	沿 x 轴切分混合样式行
`cluster_indent_levels(blocks)`	x 坐标聚类 → 缩进层级
`measure_line_spacing(img,y0,y1)`	水平投影+寻峰 → 行距
`build_doc_definition(classified)`	分类结果 → JSON 生成
`engine.py`	通用渲染引擎
`verify.py`	OCR+像素对比验证