AI导哈

PDF文本提取工具

MCP服务器，用于从PDF文件中提取文本，并支持通过Tesseract OCR从嵌入的图像中提取文本。

  • by Migueel0
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 Migueel0/mcp-pdf-reader

使用说明

mcp pdf阅读器

MCP服务器，使用从PDF文件中提取文本 pypdf.
可选地，如果 Tesseract OCR 安装后，服务器也可以 从PDF中嵌入的图像中提取文本。

服务器公开了一个MCP工具： read_pdf(file_path)，其中 返回一个包含原始文件路径的JSON可序列化字典 以及提取的文本。

项目结构

  • 服务器/ ---服务器使用的MCP工具定义
  • 工具/ ---实用模块； pdf_reader.py 包含PDF 提取逻辑
  • main.py ---MCP服务器启动器
  • 需求.txt ---运行时依赖关系

快速摘要

工具： read_pdf(file_path)

退货：

{
  "file_path": "path/to/file.pdf",
  "extracted_text": "Sample extracted text..."
}

需求

  • Python≥3.13 （推荐）
  • 虚拟环境 （推荐）
  • Tesseract OCR （可选，仅对内部图像进行OCR时需要 PDF）

安装依赖项（Windows）

  1. 创建并激活虚拟环境：
python -m venv venv
.venv\Scripts\activate
  1. 验证您的Python版本：
python --version
  1. 安装依赖项：
python -m pip install --upgrade pip
pip install -r requirements.txt

安装依赖项（Linux）

  1. 创建并激活虚拟环境：
python3 -m venv venv
source venv/bin/activate
  1. 验证您的Python版本：
python3 --version
  1. 安装依赖项：
python3 -m pip install --upgrade pip
pip install -r requirements.txt

安装Tesseract（可选）

遵循官方安装说明：
https://tesseract-ocr.github.io/tessdoc/Installation.html

您可能需要手动添加 tesseract 到您的系统 PATH.

更多详细信息请参见Tesseract用户手册：
https://github.com/tesseract-ocr/tessdoc

配置环境变量

重命名 env.example 到 .env 并设置Tesseract二进制路径。

例子：

# Windows
TESSERACT_CMD=C:\Program Files\Tesseract-OCR\tesseract.exe

# Linux
TESSERACT_CMD=/usr/bin/tesseract

运行服务器

使用以下命令启动MCP服务器：

python main.py

如果一切配置正确，服务器将启动并公开 这 read_pdf 工具。

MCP使用示例

从您的MCP客户端调用该工具：

工具暴露：

read_pdf(file_path)

示例响应：

{
  "file_path": "sample/path/sample_file.pdf",
  "extracted_text": "Sample text
..."
}

MCP启动器配置

视窗

{
  "mcpServers": {
    "pdf-reader": {
      "command": "PATH/TO/VENV/Scripts/python.exe",
      "args": [
        "PATH/TO/REPO/mcp-pdf-reader/main.py"
      ]
    }
  }
}

Linux

{
  "mcpServers": {
    "pdf-reader": {
      "command": "PATH/TO/VENV/bin/python",
      "args": [
        "PATH/TO/REPO/mcp-pdf-reader/main.py"
      ]
    }
  }
}

备注

此项目是早期测试版本。未来的更新将扩展 可用的工具，并改进安装和部署工作流程。

相关 MCP