doc-cleaner — скилл
doc-cleaner переводит PDF, Office, Keynote, Numbers и EPUB в чистый Markdown: таблицы целы, кодировки Big5 и CP950 читаются.
- 311 ★ репозитория
- Последний коммит
- MIT
Расширенный доступ
Почему такой уровень
- В режимах gemini и groq содержимое документов, в том числе банковских выписок, уходит облачному провайдеру
- Скрипт читает и записывает файлы в указанных каталогах
Установка
- Работает в
В терминале, через SkillFoxx CLI
npx skillfoxx add skills/doc-cleanerОпределит агенты на машине, покажет уровень доступа и зафиксирует версию.
Другие способы установки
Доступ и проверки
Как мы проверяемРасширенный доступИнструмент запускает код или ходит в сеть, а внешние данные только читает.
- В режимах gemini и groq содержимое документов, в том числе банковских выписок, уходит облачному провайдеру
- Скрипт читает и записывает файлы в указанных каталогах
Это чужой код. Посмотрите файлы в репозитории перед установкой.
Что делает
doc-cleaner читает 16 форматов, включая PDF, Word, Excel, PowerPoint, Apple Keynote, Numbers и EPUB, и сохраняет каждый документ как Markdown. PDF сначала проверяется на таблицы: найденные таблицы идут в pipe-таблицы Markdown, длинный текст собирается заново, сканы уходят в режим распознавания через ИИ. Режим `--ai none` извлекает текст без ключей и облака. Для сложных документов подключают Gemini, Groq или локальный Ollama. SKILL.md в корне дает агенту готовые команды, а `--summary` печатает итог обработки в JSON.
Для кого. Аналитикам и разработчикам, которым нужно скормить агенту банковские выписки, отчеты и книги в виде аккуратного Markdown без выгрузки в облако.
Подходит, если
- Выписка в PDF с многоколоночной таблицей должна стать таблицей Markdown с целыми числами.
- Папку с Word, Excel и Keynote нужно разом перевести в текст для поиска.
- Документы нельзя отправлять в облако, и подходит запуск с `--ai none` или с Ollama.
- Для сканов нужен проход через ИИ-распознавание с учетом стоимости.
Не подходит, если
- Нужна сложная верстка PDF с формулами и рисунками: сохраняются текст и таблицы.
- Сканы надо распознать без ИИ-ключей: для них нужен режим с ИИ.
- Требуется рекурсивный обход вложенных каталогов: вход обрабатывается без рекурсии.
Пример запроса к агенту
Переведи `statement.pdf` в Markdown командой `cleaner.py` с `--ai none`, а затем покажи таблицу операций и итог обработки.Ограничения
Запускать надо Python 3.9 или новее и поставить зависимости из `requirements.txt`. Режимы `--ai gemini` и `--ai groq` отправляют содержимое документов облачному провайдеру и требуют ключа в `.env`, для приватных выписок выбирайте `--ai none` или Ollama. Очистка вырезает типовые юридические блоки и рекламу финансовых организаций Тайваня, поэтому важные оговорки проверяйте по исходнику. Для расширенного разбора PDF нужны Java 11 и дополнительные пакеты, а для сканов еще и poppler.
Как отключить. Удалите склонированный каталог `doc-cleaner` вместе с копией SKILL.md из папки скиллов агента. Результаты лежат в `./output/` рядом с запуском, ключи в `.env` и `config.json` внутри каталога проекта.
Частые вопросы
Нужны ли ключи для работы?
Нет, `--ai none` извлекает текст без ключей и облака. Ключи `GEMINI_API_KEY` или `GROQ_API_KEY` нужны только для режимов с ИИ.
Как обработать целую папку?
Передайте каталог в `--input`: `python cleaner.py --input ./documents/ --ai none`. Файлы обрабатываются без заходов во вложенные папки, результат появляется в `./output/`.
Как проверить результат до записи?
Добавьте `--dry-run --verbose`: скрипт покажет, что будет сделано, и ничего не запишет.
Есть ли версия без Python?
Да, в релизах на GitHub лежат настольные приложения: DMG для macOS и MSI для Windows с перетаскиванием файлов.
Что делать со сканами?
Сначала прогоните все файлы с `--ai none`, затем запустите только сканы с `--ai gemini` или другим ИИ-режимом, чтобы не платить за лишнее.
Обсуждение
Вопросов и отзывов пока нет.
Похожие
СкиллыСкилл и CLI от Firecrawl: агент переводит Word, PowerPoint, Excel, OpenDocument, RTF, EPUB, CSV и PDF в Markdown на вашей машине
Навык восстанавливает PDF, презентации и сканы в Markdown по страницам, сверяя текст с картинкой страницы.
Docling — CLI для смешанного архива: PDF, документы и таблицы можно привести к общему формату для поиска и ИИ.
Скилл и программа docx: агент заполняет формы, правит таблицы и ведет рецензирование Word с отслеживаемыми правками
Скилл и CLI превращают Markdown в DOCX, PDF, PPTX, XLSX, PNG и еще десяток форматов, все считается локально
CLI bdc для агентов: Word, Excel, PowerPoint и PDF превращаются в Markdown, а Markdown с диаграммами Mermaid в документ Word.
Коротко о README
Проект ориентирован на повседневные документы: китайские кодировки определяются автоматически, таблицы сохраняются, а отдельная очистка убирает типовые юридические вставки в выписках.