🤖 Claude 200K上下文处理招聘与制造业文档：切分、抽取、校验Runbook（2025

Roxi 加速器 — 稳定·快速·安全

全球节点覆盖，支持所有主流平台，一键连接无需配置。新用户免费试用。

立即体验 →

TL;DR

版本基线：2025-03-08；Claude 3.5 Sonnet；Python 3.11.8；Poppler 24.02；Pandoc 3.1.13。本文用于处理长PDF、Word、岗位说明书、设备SOP、候选人简历包。目标不是聊天，是把非结构化文档稳定转成可审计的表格。适用搜索意图：Claude长文本分析怎么用、Claude文档处理教程、Claude PDF分析、Claude下载替代方案、Google AI怎么用对比。

结论：先本地转纯文本，再按章节切块，再让Claude抽取JSON，最后用脚本校验字段。不要直接把80MB PDF丢进对话框。失败原因通常是OCR脏文本、表格断行、上下文超限、提示词没有字段约束。

Pre-requisites

1. 准备目录。本文样例：30份制造业岗位JD，PDF总大小46.8MB，Word总大小18.2MB。我的测试机器：Ubuntu 22.04，4核8GB，家庭宽带下行300Mbps。

   mkdir -p ~/claude-doc-lab/{input,txt,out}
   cd ~/claude-doc-lab
   # Expected output:
   # 当前目录切换到 /home/<user>/claude-doc-lab

2. 安装转换工具。Windows可用WSL2执行同样命令。

   sudo apt-get update && sudo apt-get install -y poppler-utils pandoc python3-pip
   # Expected output:
   # Setting up poppler-utils ...
   # Setting up pandoc ...
   # Processing triggers completed

3. 确认版本。版本不一致时，先记录，不要混跑结果。

   pdftotext -v 2>&1 | head -n 1
   pandoc -v | head -n 1
   python3 --version
   # Expected output:
   # pdftotext version 24.02.0
   # pandoc 3.1.13
   # Python 3.11.8

Note: Gemini怎么注册、Gemini国内使用、Google AI怎么用属于账号和访问层问题；本文只覆盖文档处理链路。Claude、Gemini、ChatGPT都应先吃干净文本，不应直接依赖网页上传后的黑盒解析。

Runbook：转换、切块、抽取、验证

1. PDF转文本。优先保留布局。扫描件先走OCR；可复制PDF直接用pdftotext。

   find input -name "*.pdf" -print0 | while IFS= read -r -d '' f; do
     base=$(basename "$f" .pdf)
     pdftotext -layout "$f" "txt/${base}.txt"
   done
   ls -lh txt | head
   # Expected output:
   # -rw-r--r-- 1 user user 184K 2025-03-08 cnc_operator_jd.txt
   # -rw-r--r-- 1 user user 221K 2025-03-08 qa_engineer_resume.txt

2. Word转Markdown。Markdown比纯文本更能保留标题层级，适合Claude长文本分析。

   find input -name "*.docx" -print0 | while IFS= read -r -d '' f; do
     base=$(basename "$f" .docx)
     pandoc "$f" -t markdown -o "txt/${base}.md"
   done
   wc -c txt/* | tail -n 5
   # Expected output:
   # 128904 txt/process_engineer.md
   #  88412 txt/maintenance_resume.md
   # 217316 total

3. 按长度切块。我在Claude 3.5 Sonnet中测试，单块控制在30,000到45,000中文字符，抽取稳定性高于整包上传。以下脚本按40,000字符切分。

   cat > split_docs.py <<'PY'
   from pathlib import Path
   MAX=40000
   out=Path("out/chunks")
   out.mkdir(parents=True, exist_ok=True)
   for p in Path("txt").glob("*"):
       text=p.read_text(errors="ignore")
       for i in range(0,len(text),MAX):
           chunk=text[i:i+MAX]
           (out/f"{p.stem}_part{i//MAX+1:03d}.txt").write_text(chunk)
   print(len(list(out.glob("*.txt"))))
   PY
   python3 split_docs.py
   # Expected output:
   # 17

4. Claude提示词模板。逐块粘贴或上传。要求JSON，不要自然语言解释。

   你是招聘数据抽取器。只输出JSON数组。
   从文档中抽取字段：
   job_title, company, location, salary_min, salary_max, skills, certificates, years_required, shift_type, source_chunk。
   规则：
   1. 缺失字段填null。
   2. salary单位统一为CNY/月。
   3. skills输出数组。
   4. 不要编造。
   5. source_chunk使用我给你的文件名。
   文档文件名：cnc_operator_jd_part001.txt
   文档内容：
   <粘贴文本>
   
   # Expected output:
   # [
   #   {
   #     "job_title": "CNC操作工",
   #     "company": "宁波某精密制造有限公司",
   #     "location": "奉化",
   #     "salary_min": 8000,
   #     "salary_max": 11000,
   #     "skills": ["法兰克系统", "三菱系统", "游标卡尺"],
   #     "certificates": null,
   #     "years_required": 2,
   #     "shift_type": "两班倒",
   #     "source_chunk": "cnc_operator_jd_part001.txt"
   #   }
   # ]

5. 本地校验JSON。把Claude输出保存为out/jobs.json。字段错、尾逗号、解释性文字都会被抓出来。

   python3 -m json.tool out/jobs.json > /tmp/jobs.pretty.json
   echo $?
   head -n 12 /tmp/jobs.pretty.json
   # Expected output:
   # 0
   # [
   #     {
   #         "job_title": "CNC操作工",
   #         "company": "宁波某精密制造有限公司"

6. 转CSV给HR或业务系统。

   cat > json_to_csv.py <<'PY'
   import json,csv
   rows=json.load(open("out/jobs.json"))
   fields=["job_title","company","location","salary_min","salary_max","skills","certificates","years_required","shift_type","source_chunk"]
   with open("out/jobs.csv","w",newline="") as f:
       w=csv.DictWriter(f,fieldnames=fields)
       w.writeheader()
       for r in rows:
           r["skills"]=";".join(r["skills"] or [])
           w.writerow({k:r.get(k) for k in fields})
   print(len(rows))
   PY
   python3 json_to_csv.py
   head -n 3 out/jobs.csv
   # Expected output:
   # 30
   # job_title,company,location,salary_min,salary_max,skills,certificates,years_required,shift_type,source_chunk
   # CNC操作工,宁波某精密制造有限公司,奉化,8000,11000,法兰克系统;三菱系统;游标卡尺,,2,两班倒,cnc_operator_jd_part001.txt

Warning:工资、证书、年限属于高风险字段。不要让模型“推测”。提示词必须写“缺失填null”。如果岗位文档来自不同企业，source_chunk必须保留，便于回溯。

如何验证已修好：抽样10条CSV，人工对照原文。通过标准：岗位名100%正确；工资上下限错误不超过1条；技能字段不得出现原文没有的技能；JSON校验退出码必须为0。在我的30份文档测试中，首次抽取28条有效，修正OCR断行后达到30条。

References:官方路线可直接使用Claude网页端或API；免费路线可用本地转换脚本加人工粘贴；付费网络工具只解决访问稳定性，不解决脏数据。商都加速器仅作为访问方案之一：https://wizzegroup.com。