PDF 解析工具 zhtx2024/dsh-pdf

@zhtx2026/dsh-pdf

DeepSeek Harness 的 PDF 解析工具集 — 提供 pdf_info / pdf_extract_text / pdf_render_page 三个模型可见工具，双引擎架构，未内嵌中文字体的 PDF（如嘉立创 EDA / EasyEDA 导出的原理图）自动切换系统字体渲染。

标签: dsh-plugin · pdf · pdfjs · canvas · schematic · tools

安装

dsh plugin --profile web add @zhtx2026/dsh-pdf

开发期可从本地源码安装：

dsh plugin --profile web add link:

重启 DSH（或开新会话）后生效，同时注入中文协作公告。

工具

| 工具 | 能力 |
| pdf_info | 页数、页面尺寸（pt）、文档元数据、字体列表及每项 embedded 内嵌标记。 |
| pdf_extract_text | 按页提取文字；可选 page 与 withPosition（每行 x/y 坐标 + 字号）。 |
| pdf_render_page | 把一页渲染为本地 PNG；scale/outDir 可配；渲染引擎自动选择。 |

为什么需要自研渲染器

pdfjs-dist 无法渲染「字体未内嵌且无 ToUnicode 映射」的 PDF 文字 —— 典型就是嘉立创 EDA / EasyEDA 导出的原理图（SimSun/SimHei Type0 字体、 UniGB-UCS2-H 编码）：pdfjs 会报 translateFont failed 并丢字。

dsh-pdf 用双引擎解决：

- pdfjs 引擎 — 字体全部内嵌时使用（常规 PDF）。
- sysfont 引擎 — 自研内容流渲染器：自己解析文本算子（BT/ET、Tf、Tm、Td、Tj、TJ），把 UniGB-UCS2-H/UTF-16BE 串解码为 Unicode，再经 @napi-rs/canvas 用系统字体（宋体、黑体、微软雅黑……）绘制。

文字提取同样自动选择：字体全内嵌 → pdfjs 文本层；存在未内嵌字体 → 自研解码器（正确还原 pdfjs 会丢失的中文）。

示例

pdf_info("D:/Downloads/SCH_SA-V11A.pdf")
→ 3 页、A3 横向、jsPDF 生成、6 个字体（全部未内嵌）

pdf_extract_text("D:/Downloads/SCH_SA-V11A.pdf", { page: 1 })
→ 网络名、引脚号、中文标签（"主控板"、"嘉立创"……）

pdf_render_page("D:/Downloads/SCH_SA-V11A.pdf", { page: 1, scale: 2 })
→ D:/Downloads/SCH_SA-V11A-pages/page-1.png （2396×1698，engine: sysfont）

架构

- lib/index.js — cordis 插件入口（name、inject、apply）；以原生工具对象注册三个工具（标准 JSON-Schema parameters/output，无需依赖 @deepseek-ai/dsh-tools），并注入中文协作公告（systemPrompt.section， order 160）。
- lib/pdf-core.js — 自包含引擎：PDF 对象解析器、字体扫描、基于 fs 的 CMapReaderFactory/StandardFontDataFactory 加载 pdfjs（Node 24 全局 fetch 不支持 file://）、自研文本提取器、sysfont 渲染器。
- cordis.patch.yml — dsh.bundle.patch 插入行。

限制

- 扫描件/纯图片 PDF 无文字层，提取不到文字（渲染仍可用，等同原图）。
- sysfont 渲染器假设 Type0 的 CID 即 Unicode 码点（UniGB-UCS2-H 导出成立）；特殊 CID 字体回退 pdfjs。
- 大文件整份读入内存解析。

许可证

MIT