PDF 批量提取器

从多个 PDF 中提取结构化数据到 Excel。

适用场景

版式相对固定的批量文档：发票、报关单、体检报告、对账单。版式完全自由的文档需要先做版面分析，成本高得多。

流程

步骤

1. 扫描 —— 递归遍历目录，按扩展名过滤
2. 分流 —— 有文本层的直接抽取，扫描件走 OCR
3. 定位字段 —— 按模板（关键字锚点 + 相对位置）取值
4. 校验归一 —— 金额、日期、税号格式校验，单位统一
5. 落表 —— 一行一文档，校验失败的单独标记

配置项

参数	说明	默认值
input_dir	输入目录	必填
template	字段模板名	必填
ocr	无文本层时是否 OCR	true
output	输出 Excel 路径	./out.xlsx
on_invalid	校验失败处理：flag | skip	flag

字段模板

fields:
  - name: invoice_no
    anchor: 发票号码
    offset: right
    pattern: '^\d{8,20}$'
  - name: amount
    anchor: 价税合计
    offset: right
    type: currency

OCR 的准确率边界

扫描件的数字识别错误主要集中在 0/O、1/l、5/S。金额字段务必开启格式校验，并对校验失败的行保留原图链接以便复核 —— 静默取错值比报错危险得多。