领域缩略语展开 Skill：按内置或外部词典将独立缩略语替换为全称，可选在全称后保留原缩写。 适用于技术文本、论文摘要和业务记录中的缩写清洗；不负责模糊缩写消歧或大小写无关替换。
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
cas-bigdatalab/piflow5412026년 10월 17일 업데이트
무료GitHub에 공개
pdf_ocr_artifact_cleaner
PDF/OCR伪影清洗工具。修复从学术论文PDF提取文本时的常见问题：断行连字符拼接（dehyphenation）、 页码去除、Unicode连字归一化（fi→fi）、页眉页脚去除。当用户提到PDF文本清洗、OCR伪影处理、断行修复、连字符拼接等需求时使用此skill。
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
연동 도구Excel
설치 방법 보기포함된 파일(4)
- SKILL.md3.4 KB
- scripts/data_io.py3.5 KB
- scripts/pdf_ocr_artifact_cleaner.py6.8 KB
- skill.json2.6 KB
SKILL.md(원문)
설치하기 전에 에이전트에게 전달되는 지시 내용을 확인할 수 있습니다.
pdf_ocr_artifact_cleaner PDF/OCR伪影清洗Skill
功能概述
修复从 PDF/OCR 提取文本时的三大类常见伪影：(1) 断行连字符拼接 analy-\nsis→analysis；(2) 独立页码行去除；(3) Unicode 连字归一化 fi→fi。同时支持通过正则表达式去除页眉页脚。
触发条件
- PDF 文本清洗
- OCR 伪影处理
- 断行连字符修复
- 页码去除
- 连字归一化
- 学术论文文本提取后处理
支持的文件格式
支持以下结构化文件格式：
- CSV (.csv) / TSV (.tsv) / Excel (.xls, .xlsx) / SPSS (.sav)
不支持的文件格式会直接报错拒绝，不会自动猜测格式；如需处理其他格式，请先转换为以上支持格式后再使用本skill。
使用方法
python scripts/pdf_ocr_artifact_cleaner.py \
--input_path <输入文件> \
--output_path <输出文件> \
[--text_columns col1,col2] \
[--no_dehyphenate] \
[--header_pattern "Chapter \d+\."]
参数说明
| 参数 | 必填 | 说明 |
|---|---|---|
--input_path | 是 | 输入文件路径 |
--output_path | 是 | 输出文件路径 |
--text_columns | 否 | 处理的文本列 |
--no_dehyphenate | 否 | 关闭断行连字符拼接 |
--no_strip_page_numbers | 否 | 关闭页码去除 |
--no_normalize_ligatures | 否 | 关闭连字归一化 |
--header_pattern | 否 | 匹配页眉的正则 |
--footer_pattern | 否 | 匹配页脚的正则 |
输出示例
[OK] PDF/OCR伪影清洗完成 -> output.csv
文本列: ['text']
启用: ['dehyphenate', 'strip_page_numbers', 'normalize_ligatures']
输入 exper-\nimental → 输出 experimental
注意事项
- 断行连字符只修复行尾带
-后紧跟换行的情况，不破坏state-of-the-art等有意的连字符 - 页码支持阿拉伯数字（42）和罗马数字（xiv）
- 连字归一化处理：fi→fi、fl→fl、ff→ff、ffi→ffi、ffl→ffl
리뷰
아직 리뷰가 없습니다. 사용해 본 소감을 남겨 주세요.
댓글
로그인 없이 쓸 수 있습니다. 사용 후기, 질문, 작동하지 않은 환경 등을 편하게 남겨 주세요.
아직 댓글이 없습니다. 첫 댓글을 남겨 보세요.
같은 저장소의 스킬
字母数字比例过滤器。过滤文本中字母/数字比例不在指定范围内的样本。 当用户提到文本过滤、比例筛选、字母比例、数字比例、清理乱码文本等需求时使用此skill。 即使用户没有明确说出"过滤"，只要任务涉及根据文本中字母或数字的比例来筛选数据， 就应该使用此skill。
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
cas-bigdatalab/piflow5412026년 10월 17일 업데이트
平均行长度过滤器。过滤文本平均行长度不在指定范围内的样本。 当用户提到行长度过滤、平均行长度、文本行长度筛选、按行筛选等需求时使用此skill。 即使用户没有明确说出"平均行长度"，只要任务涉及根据文本中每行的平均长度来筛选数据， 就应该使用此skill。
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
cas-bigdatalab/piflow5412026년 10월 17일 업데이트
批量文件清单采集器。扫描一个或多个本地文件/目录，或从任务列表加载路径， 按支持的扩展名生成文件元信息清单，供后续文本、表格、文档、图像等采集流程继续处理。 当用户需要批量盘点待采集文件、生成本地文件 manifest、统计输入文件类型或为后续采集算子准备文件清单时使用此 skill。
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
cas-bigdatalab/piflow5412026년 10월 17일 업데이트
批量数据均匀分片工具。读取json/jsonl/csv输入，按份数或固定条数切成多个子文件，输出一个清单JSON供下游节点消费。 当用户提到数据分割、批量拆分、数据分片、均匀分块等需求时使用此skill。 即使用户没有明确说出"分片"，只要任务是把整份批量数据均匀拆成多个文件，就应该使用此skill。 不负责按字段分组导出或随机采样。
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
cas-bigdatalab/piflow5412026년 10월 17일 업데이트
本skill是用于单细胞测序数据分析的专用技能，首先需要用户上传需要处理的单细胞测序数据，再对经过预处理的单细胞表达数据进行自动化细胞类型注释。它通过基因比对、数据标准化、降维等一系列流程，将细胞聚类结果与已知参考数据库进行匹配，从而为每个细胞分配生物学功能标签。
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
cas-bigdatalab/piflow5412026년 10월 17일 업데이트