dsh-pdf

一个 DeepSeek Harness (DSH) 插件，让 AI 助手读取任意大小（无 64KB 限制）的 PDF 文件： 通过 pdfjs-dist 提取完整 Unicode 文本层（中文、英文及其它文字系统），并对扫描件/图片页自动 OCR， 手写笔记也能变成可读文本。

✨ 功能

• read_pdf 工具：按页返回 PDF 文本（pages="1-3"、"2"、"1,3-5"、"all"）。
• 无 64KB 上限：单文件默认上限 200MB（maxFileBytes 可配）。
• 全 Unicode 文本层：中文、英文开箱即用。
• 自动 OCR 兜底（mode: auto）：文本层不足的页面自动渲染并识别：
  • Windows WinRT OCR（主引擎，零安装）：使用系统自带 zh-Hans-CN + en-US 识别器；
  • tesseract.js（可选）：把 chi_sim.traineddata(.gz) 和 eng.traineddata(.gz) 放入 <cacheDir>/tessdata/ 即启用。
• 模式控制：mode=text 只读文本层（快）；mode=ocr 强制逐页 OCR；ocrEngine=windows|tesseract 指定引擎。
• MIT 开源：可自由使用、修改、再分发。

🚀 安装

# 1. 克隆
git clone https://github.com/henryxiao709/dsh-pdf.git
cd dsh-pdf

# 2. 安装公开依赖（pdfjs-dist、@napi-rs/canvas、tesseract.js）
npm install --ignore-scripts

# 3. 从你的 DSH 安装中链接 @deepseek-ai 依赖
node scripts/link-deps.mjs          # 自动探测 DSH_CHECKOUT / DSH_DATA / 常见路径
# 或：node scripts/link-deps.mjs "<dsh-data>/profiles/node_modules/@deepseek-ai"

# 4. 注入正在运行的 DSH（需已安装 dsh-super-injector）
#    对 DSH 的 AI 说：dev_install_package <本插件绝对路径>
#    或把插件加入 profile 的 dsh.profile.bundles，重启后自动装配

🧰 使用

read_pdf file_path=... [pages="1-3"] [mode=auto|text|ocr] [ocrEngine=auto|windows|tesseract] [maxCharsPerPage=20000]

每页结果带 source 字段：text（仅文本层）、ocr（仅 OCR）、mixed（两者合并）。

⚙️ 配置

插件注册了 dsh-pdf 设置分区（宿主 namespace + 设置界面卡片）：所有参数都可以在 DSH 设置界面（设置 → 插件 → dsh-pdf）里实时调整，改动立即生效并自动清除结果缓存。 cordis.patch.yml 中的值作为装配基准：

键	默认	说明
maxFileBytes	209715200	单次读取字节上限
readLimitPages	50	单次调用最多处理页数
ocrMinChars	120	auto 模式下低于此字符数的页触发 OCR
ocrScale	2	渲染缩放（2 ≈ 144 DPI）
ocrEngine	auto	auto / windows / tesseract
ocrTimeoutMs	60000	单页 OCR 超时
maxCharsPerPage	20000	每页返回字符上限
cacheEntries	4	结果缓存条目数
cacheDir	%TEMP%/dsh-pdf	OCR 脚本与临时图片目录

设置界面：插件注册了 dsh-pdf 设置分区——以上所有参数都可以在 DSH 设置界面（设置 → 插件 → dsh-pdf）里实时调整，改动立即生效并自动清除 结果缓存。cordis.patch.yml 中的值作为装配基准。

📄 许可证

MIT © 2026 henryxiao709