AI导哈

PDF解析服务器

一个从URL获取PDF并智能解析以供AI使用的服务器，支持文本提取、图像渲染和混合模式。

  • by oriondean
  • TypeScript
  • 本地部署
  • 1 星标
  • 更新于
在 GitHub 查看 oriondean/mcp-pdf

使用说明

PDF MCP服务器

MCP（模型上下文协议）服务器，从URL中获取PDF并智能解析，以实现最佳的AI消费。支持文本提取、图像渲染和混合模式。

特性

  • 多种处理模式:

    • 🔤 文本模式：文本密集型文档的快速文本提取
    • 🖼️ 图像模式：将所有页面渲染为高质量图像
    • 🔄 混合模式：提取文本+呈现视觉页面（图表、示意图）
    • 🤖 自动模式：根据内容智能检测最佳方法

  • 智能文档分析：自动识别包含视觉内容的页面

  • 可配置的质量：可调DPI（72-300）用于图像渲染

  • 元数据提取：提取PDF标题、作者、页数等

  • 安全：URL验证、文件大小限制和超时保护

安装

# Install dependencies
npm install

# Build the project
npm run build

发展

# Run in development mode
npm run dev

# Watch mode (auto-rebuild on changes)
npm run watch

用法

作为MCP服务器

添加到您的MCP客户端配置中（例如，Claude Desktop）：

{
  "mcpServers": {
    "pdf-parser": {
      "command": "node",
      "args": ["C:\\dev\\aii-mcp-example\\dist\\index.js"]
    }
  }
}

或者在开发模式下：

{
  "mcpServers": {
    "pdf-parser": {
      "command": "npm",
      "args": ["run", "dev"],
      "cwd": "C:\\dev\\aii-mcp-example"
    }
  }
}

工具：fetch_and_parse_pdf

从URL获取PDF，并根据指定模式对其进行解析。

参数：

  • url （必填）：要获取的PDF的URL
  • mode （可选）：处理模式- "text", "images", "hybrid"，或 "auto" （默认值： "auto")
  • dpi （可选）：图像渲染质量，72-300（默认值： 150)
  • maxPages （可选）：渲染为图像的最大页面数，1-100（默认值： 50)
  • pages （可选）：要呈现的特定页码数组

示例：

// Auto mode - intelligently detects best approach
{
  "url": "https://example.com/document.pdf"
}

// Text-only extraction
{
  "url": "https://example.com/report.pdf",
  "mode": "text"
}

// Render all pages as images
{
  "url": "https://example.com/slides.pdf",
  "mode": "images",
  "dpi": 200,
  "maxPages": 20
}

// Hybrid mode with specific pages
{
  "url": "https://example.com/report.pdf",
  "mode": "hybrid",
  "pages": [1, 5, 10]
}

运作原理

模式选择逻辑

自动模式 分析文档并选择：

  • 文本模式：适用于文本密度高且没有视觉元素的文档
  • 图像模式：对于视觉页面超过50%或文本密度非常低的文档
  • 混合模式：用于混合内容文档（文本+图表/示意图）

混合模式智能

在混合模式下，该工具：

  1. 提取所有文本内容
  2. 分析每个页面以检测视觉元素（图像、图表、低文本密度）
  3. 有选择地仅呈现具有重要视觉内容的页面
  4. 返回文本和图像以获得最佳的AI理解

性能注意事项

  • 文本提取：对于大多数PDF文件，<1s
  • 图像渲染：每页约500毫秒
  • 内存使用：典型文档约200MB
  • 最大文件大小：50MB（可配置）
  • 请求超时：30秒

建筑

src/
├── index.ts              # MCP server entry point
├── tools/
│   └── pdfTool.ts        # PDF tool implementation
├── utils/
│   ├── fetcher.ts        # URL fetching with validation
│   ├── pdfParser.ts      # Text extraction (PDF.js)
│   ├── pdfRenderer.ts    # Image rendering (Canvas)
│   └── documentAnalyzer.ts # Intelligent content detection
└── types/
    └── index.ts          # TypeScript type definitions

技术

安全功能

  • ✅ URL协议验证（仅限HTTP/HTTPS）
  • ✅ 文件大小限制（默认50MB）
  • ✅ 请求超时（30秒）
  • ✅ 内容类型验证
  • ✅ 使用Zod模式进行输入验证

错误处理

服务器为以下对象提供详细的错误消息：

  • URL无效
  • 网络故障
  • 超时错误
  • PDF解析错误
  • 文件大小违规
  • 不支持的内容类型

局限性

  • 最大文件大小：50MB
  • 渲染的最大页数：100
  • 支持的协议：HTTP，仅HTTPS
  • 图像格式：PNG（base64编码）

用例

  • 📄 研究论文：混合模式提取文本+渲染图形
  • 📊 财务报告：文本+图表的混合模式
  • 📝 文本文档：文本模式，快速高效提取
  • 🎨 演示：幻灯片的图像模式
  • 📋 表单：保留布局的图像模式
  • 📚 电子书：文本模式可实现最佳阅读效果

许可证

麻省理工学院

相关 MCP