doc-extract

Extraire le texte brut d’un fichier document - PDF, DOCX, XLSX, PPTX, RTF, ou texte brut/markdown/HTML. Utiliser lorsqu’un document binaire doit être converti en texte, pour…

npx skills add https://github.com/anthropics/healthcare --skill doc-extract

doc-extract

Shared document-to-text extraction. One script, no state: reads an input file, prints JSON to stdout, writes nothing to disk (PHI-safe — no caches, no temp files; callers own any caching).

Setup (once)

cd <this skill dir> && bun install

This pulls liteparse (the lit bin, used for PDF/DOCX/XLSX/PPTX, OCR included) and rtf-to-text (RTF). Without it, PDFs still work via a pdftotext -layout fallback if poppler is installed; other binary formats require liteparse.

Use

bun <this skill dir>/scripts/extract.ts <input-file> [--content-type <mime>]

Output on stdout:

{ "text": "...", "method": "liteparse | pdftotext | rtf-to-text | passthrough", "pages": 12 }
  • text is page-anchored for paged formats: === [page N] === markers between pages.
  • pages is present when page markers exist.
  • method is the extractor that actually produced the text.
  • Format is taken from the file extension; pass --content-type (e.g. application/pdf) when the file has no useful extension, as with downloaded EHR attachments. Note liteparse refuses extension-less files, so those PDFs go through the pdftotext fallback.
  • Errors print {"error": "..."} to stderr and exit 1.

Table caveat

Tables with multiple value columns (option A vs option B, in-tier vs out-of-tier) can interleave columns line-by-line in the extracted text: fragments of adjacent cells alternate, and a cell's text can even land mid-sentence inside a neighboring column. Values usually survive, but which column a value belongs to can become ambiguous. When an answer comes from one column of a multi-column table and the document has no redundant restatement of the value elsewhere, verify it by reading the original page directly before treating it as ground truth. The extracted text's === [page N] === anchor tells you which page: pass it to the Read tool's pages parameter (e.g. pages: "37") to render just that page to vision instead of the whole document.

For other skills

Import the functions instead of shelling out when you're already in bun TS:

import { extract, resolveLit } from "../doc-extract/scripts/extract";
const lit = resolveLit([myRoot]); // also checks myRoot/node_modules/.bin/lit
const text = extract(lit, "/path/to/file.pdf"); // string | null

The contracts skill consumes it this way (its ingest caching stays on the contracts side).

Plus de skills de anthropic

analyzing-financial-statements
anthropic
Cette compétence calcule les ratios et indicateurs financiers clés à partir des données des états financiers pour l'analyse d'investissement.
applying-brand-guidelines
anthropic
Cette compétence applique une image de marque et un style d'entreprise cohérents à tous les documents générés, y compris les couleurs, les polices, les mises en page et les messages.
creating-financial-models
anthropic
Cette compétence offre une suite avancée de modélisation financière avec analyse DCF, tests de sensibilité, simulations Monte Carlo et planification de scénarios pour l'investissement…
board-minutes
anthropic
Rédige les procès-verbaux des réunions du conseil ou du comité dans votre format maison. Détecte automatiquement les réunions à venir du conseil et des comités à partir de votre calendrier, demande l'ordre du jour et…
crm-cleanup
anthropic
Analyse HubSpot pour détecter les transactions obsolètes, les contacts en double et les champs manquants, puis corrige ce que le propriétaire approuve. Accepte un argument de portée optionnel pour les transactions, les contacts,…
redshift-api
anthropic
Exécuter des requêtes SQL sur Amazon Redshift — soumettre des instructions, interroger l'état, parcourir les résultats et naviguer dans les bases de données/schémas/tables. Utilisez ceci chaque fois que l'utilisateur souhaite…
ticket-deflector
anthropic
Lit un email client ou ticket transféré, extrait le statut de commande/remboursement depuis PayPal et l'historique du compte depuis HubSpot, rédige une réponse adaptée au ton dans le propriétaire…
reg-feed-watcher
anthropic
Vérifie maintenant les flux réglementaires et signale ce qui est nouveau depuis la dernière vérification, filtré selon votre seuil de matérialité. À utiliser lorsque l'utilisateur dit « vérifier les flux »,…