---
name: Document Parse
slug: document-parse
category: Automation
description: Parse PDFs, images, Word, and PPT files into structured Markdown for downstream legal analysis. Supports multi-backend parsing with fallback chains; used as the unified input layer for the cn-litigation-toolkit suite.
github: "https://github.com/Youchu-lawhub/cn-litigation-toolkit/tree/main/skills/document-parse"
language: Python
stars: 19
forks: 2
install: "npx degit https://github.com/Youchu-lawhub/cn-litigation-toolkit/tree/main/skills/document-parse ~/.claude/skills/document-parse"
installs_to: ~/.claude/skills/document-parse
source_path: skills/document-parse/SKILL.md
collection_size: 23
category_size: 1523
collection_url: "https://dirskills.com/collections/Youchu-lawhub/cn-litigation-toolkit"
added: 2026-08-11T07:22:24.418Z
last_synced: 2026-08-11T07:22:24.418Z
canonical_url: "https://dirskills.com/skills/document-parse"
---

# Document Parse

Parse PDFs, images, Word, and PPT files into structured Markdown for downstream legal analysis. Supports multi-backend parsing with fallback chains; used as the unified input layer for the cn-litigation-toolkit suite.

**Install:**

```bash
npx degit https://github.com/Youchu-lawhub/cn-litigation-toolkit/tree/main/skills/document-parse ~/.claude/skills/document-parse
```

## README

# 文档解析（document-parse）· 输入侧解析入口

> 本技能是本套件**读取上传文件的统一前门**。任何需要把用户提供的 PDF/图片/Word/PPT 转成可分析文本的技能，在拿到上传文件后、进入分析或起草**之前**，先经本技能解析为 Markdown，再把结构化文本交回原技能。
>
> 与 `/legal-verification`（输出侧必过闸门）对称：`/legal-verification` 守"出"，`/document-parse` 守"入"。
>
> 本技能只负责"把文件变成可读的 md"，**不做法律分析、不做内容删改、不臆造文档内容**。

---

## 0 | 两种调用模式

### 模式一：自动入口（其他技能调用，默认）

```
收到上传文件 → 【document-parse入口】→ 选定后端 → 解析为 Markdown
   ├─ 成功 → 把 md（含表格/公式/正文）交回原技能继续分析/起草
   └─ 失败 → 按降级链逐级回退；全部失败则停下报告，不静默兜底
```

入口为默认、不可静默跳过（与 profile.md「共享护栏 #3」「标准管线」一致）。

### 模式二：独立解析（用户直接调用）

用户给出文件路径或上传文件并要求"解析/转 Markdown/提取内容"，执行完整解析流程并返回结果，不进入后续法律分析。

---

## MCP 预检

本技能使用 `PARSE.*` 能力。

执行前读取 `profile.md`「外部能力后端 / document-parse」的首选配置，并用 `MCP.list_tools` 探测已连接的解析后端：
- 已配置且可用 → 直接采用
- 未配置但探测到可用后端 → 用 AskUserQuestion 让用户选择，选定后写回 profile.md
- 无外部后端 → 走内置降级链，提示"如需更高精度可配置文档解析后端"

---

## 1 | 文件合法性检查

1. **类型合法**：仅 PDF / 图片(.png/.jpg/.jpeg/.webp/.tiff) / Word(.doc/.docx) / PPT(.ppt/.pptx)
2. **文件存在且可访问**：本地路径真实存在、指向具体文件
3. 不支持的类型直接告知并给替代建议（Excel 另存 PDF / txt 直接读取等）
4. 多文件按顺序逐个解析，最后汇总

---

## 2 | 按选定后端解析

### 2A | 外部后端（PARSE.to_markdown）

严格按对应后端 MCP/技能规范调用：
- 上传文件 → 提交解析任务 → 轮询/等待结果（≤2分钟）→ 取解析结果
- 全文取 markdown/text；表格取 blocks.type==table；公式取 type==formula 的 latex；正文取 is_body==true（排除 header/footer/page_number）
- 工具失败即标注降级并进入下一后端

### 2B | 内置降级（无外部后端时）

| 文件类型 | 降级方案 |
|----------|----------|
| 纯文字 PDF | pypdf 提取文字 |
| 扫描件/图片 PDF | fitz 渲染 PNG（dpi=200，横置先 set_rotation(270)）→ Read 多模态识读 |
| 图片 | 宿主 Agent 内置 Read/文件读取工具 |
| Word(.docx) | 宿主 Agent 内置 Read / python-docx 提取 |
| Word(.doc, macOS) | textutil 转 txt 后读取 |
| PPT | 宿主 Agent 内置 Read/文件读取工具 |

> 走 fitz 视觉降级时，输出必须标注 `[视觉降级-待人工复核]`。

---

## 3 | 按意图提取并交回

| 用户/原技能需要 | 提取方式 |
|----------------|----------|
| 完整内容 | 全文 markdown，不摘要 |
| 表格 | 仅表格块，还原为标准 Markdown 表格 |
| 公式 | 仅公式块，输出 LaTeX |
| 正文 | 排除页眉页脚页码 |

- 自动入口模式：解析结果落到工作目录（`parsed/<原文件名>.md`），交回调用技能
- 解析内容一律来自工具结果，不得用主观总结替代

---

## 4 | 降级链

```
首选外部后端（profile.md 配置）
  ├─ 失败 → 其他已连接后端（MCP.list_tools 探测）
  ├─ 失败 → 内置降级：
  │      ├─ pypdf（纯文字 PDF）
  │      ├─ fitz 视觉（扫描件，标 [视觉降级-待人工复核]）
  │      └─ Read 直接读取（图片/Word/PPT）
  └─ 全部失败 → 停止，展示错误，请用户提供文本版本
```

每次降级在输出中标注：`[降级提示] {后端}不可用：已回退到 {下一后端}`。

---

## 执行规则

1. **不臆造内容** —— 解析结果只来自工具；无法解析时如实说明
2. **不静默兜底** —— 后端失败先按降级链回退并标注，全部失败则停下
3. **类型守门** —— 仅 PDF/图片/Word/PPT
4. **首选可复用** —— 读 profile.md 首选解析器，未配置问一次并持久化
5. **入口不可跳过** —— 其他技能收到上传文件时默认先走本入口（标准管线）
6. **保密** —— 解析产物属案件材料，不跨案件泄露