Python 自动化接单实战（四）：PDF 批量提取先识别文本层还是扫描件

"把这些 PDF 转成 Excel"不是一个单一需求。电子 PDF 有可复制文本，扫描件只有图片；表格可能跨页，页眉也可能被误当成数据。报价前先识别文件类型，比一开始堆 OCR 参数更重要。

一、先做轻量分类，不急着提取

下面的标准库脚本通过文件特征做第一轮分流。它不是完整 PDF 解析器，但能快速发现加密文件、疑似图片型文件和异常小文件。

python 复制代码

from pathlib import Path

def classify(path):
    data = path.read_bytes()
    if not data.startswith(b"%PDF-"):
        return "not_pdf"
    if b"/Encrypt" in data:
        return "encrypted"
    image_count = data.count(b"/Subtype /Image")
    text_ops = data.count(b" BT") + data.count(b"\nBT")
    return "scanned_like" if image_count > 2 and text_ops == 0 else "text_like"

for path in sorted(Path("input").glob("*.pdf")):
    print(path.name, classify(path))

输出示例：

text 复制代码

invoice-01.pdf text_like
invoice-02.pdf scanned_like
contract.pdf encrypted

分类结果决定后续工具：文本型文件使用 PDF 文本库，扫描件进入 OCR，小部分加密或破损文件进入人工确认。

二、先定义字段证据，再处理版式

发票提取不能只输出金额，还要保留文件名、页码、原始片段和置信状态。金额正则命中多个位置时不要擅自选择最大值，应输出候选并标记 needs_review。

python 复制代码

import re

def amount_candidates(text):
    pattern = r"(?:合计|总额)[:：\s]*[¥￥]?(\d+(?:\.\d{1,2})?)"
    return re.findall(pattern, text)

sample = "小计：80.00\n合计：96.00"
print(amount_candidates(sample))

输出：

text 复制代码

['96.00']

三、验收按文件类型分层

从每种版式抽样，记录字段正确率与需要人工复核的比例。扫描件还要覆盖旋转、阴影、低分辨率和印章遮挡。若客户不能提供可核对的期望结果，就先交付分类报告和小样本，不承诺整批准确率。

📌 本文用文件分类、字段证据和分层验收拆开了 PDF 提取问题，避免把所有失败都归因于 OCR。

💬 你的 PDF 资料更常见的是扫描件、跨页表格、加密文件还是版式频繁变化？

👉 关注《Python 自动化接单实战》，下一篇继续拆解第三方 API 对接中的分页、限流与幂等。

Python 自动化接单实战（四）：PDF 批量提取先识别文本层还是扫描件

一、先做轻量分类，不急着提取

二、先定义字段证据，再处理版式

三、验收按文件类型分层

参考来源