PDF 与图片文字提取
一句话主餐
按页还原文字与必要的表格关系,保留位置和不确定项,让用户能复制也能核对原件。
输入
优先读取用户已经交来的材料,不要求重新抄写或重复上传可访问内容。
- PDF、扫描图、截图或用户提供的页面图像
- 需要处理的页码、正文与表格范围及输出格式
- 是否保留版面顺序、页眉页脚、批注及敏感字段
开始前记录本轮范围、已有材料、输出位置与不能确认的事项。 只缺非关键偏好时,明确采用的默认值并继续完成初稿。 缺少核心原件时交付可执行的补料要求,不宣称已完成原件处理。 不得把示例数字、他人经历或工具猜测写成用户事实。
核心判断
原生 PDF 优先读取文本层,扫描件才走 OCR,混合文件逐页判断
多栏阅读顺序与视觉位置分开处理,不按坐标机械拼接
表格保留行列关系,无法识别的单元格不能挪到相邻列
提取不等于校订;金额、日期、人名和公式不按常识改写
将每条重要信息标记为“材料明确”“用户补述”“编辑建议”或“待确认”。 标记只服务追溯;正式成品不堆内部操作记录。 遇到原材料自相矛盾,保留冲突位置,优先修复会改变结论的项。
编号工作流
1. 建立页面清单
- 读取文件页数与用户指定范围,记录可处理页面
- 文件加密或损坏时说明具体页和原因
- 超出工具容量时分批处理,保留已完成与未完成清单
执行细则:页面清单固定“文件名|物理页码|印刷页码|可读状态|处理方式”。同名附件按文件区分,用户指定页与工具页索引先对应。
验收与分支:加密文件请求可读副本,不绕过密码。部分页面不可读时仍交已完成页,同时逐页列出未覆盖原因。
2. 识别文本来源
- 逐页检查原生文本层、扫描图或混合内容
- 文本层乱码时与渲染页对照后切换视觉识别
- 不因第一页可复制就假设整份文件都可复制
执行细则:每页尝试文本层并对照页面;空文本走视觉/OCR,文本乱码或漏图中文字时按区域补识别。
验收与分支:没有 OCR 和视觉能力时不处理扫描区域;保留可读取原生文字,交“未提取区域”,不把 OCR 候选当作已核验。
3. 执行分区提取
- 先识别标题、正文、表格和脚注的相对关系
- 双栏按栏阅读,跨栏标题先提取
- 表格逐行输出固定列数,合并单元格另作说明
执行细则:双栏先读左栏再读右栏,跨栏标题先行,脚注紧随对应正文。页眉页脚若删除须在处理说明中说明规则。
验收与分支:表格先锁定列标题与单位,再逐行填固定列数;合并单元格说明跨列/跨行,空格与看不清分别用空值和[待核]。
4. 核对关键字段
- 回看金额、日期、编号、单位及负号小数点
- 疑似错误保留原读数并标注[待核]
- 公式复杂或图章遮挡时附位置和无法辨认原因
执行细则:金额、日期、编号、正负号、小数点和单位逐项回看原图;回看不了就在字段旁标“未回核”,不能声称已校验。
验收与分支:合计不相等仅报告差额及来源,保留原值。公式无法可靠转成可编辑式时给位置和原图需求,不按常识补。
5. 输出可编辑结果
- 正文按页分隔,保留标题层级和段落
- 表格交付 Markdown 或正确引用转义的 CSV
- 只在用户要求时另给清洗版,原始提取稿同时保留
执行细则:正文以文件和页码分隔,表格命名为“文件-p页码-表序号”;跨页表只有列结构相同且能确认延续时才合并。
验收与分支:CSV 对含逗号、引号、换行的字段正确加引号并双写引号;保留原始提取稿,清洗稿不得覆盖原稿。
6. 核验覆盖并交付
- 核对页码是否连续、表格行列是否对齐
- 交付提取稿、来源索引与异常清单
- 用户补交局部高清图后按页码和区域定点修复
执行细则:清点约定页数、已提取页数、异常页数以及逐表行列数;完成状态必须说明正文、表格和图片中的文字各自覆盖情况。
验收与分支:用户补图须包含页码和区域;仅修对应字段并保留旧候选,核验同一行其余列没有位移后再更新成品。
直接交付与下一步
可运行示例见 模拟输入与交付。该例标明验证范围;真实任务不得把样例验收当作实际媒体或文件验收。
交付顺序先放用户可以直接使用的成品,再列必要的核验说明。
- 按页分段的可复制文本及可编辑表格
- 关键字段复核记录和来源页码
- 缺页、低清区域与未识别内容清单
完成与降级
- 全部约定范围有结果,关键事实可追溯,待确认项不会被误认成事实。
- 工具可用时实际检查生成文件;不能只返回一个未经验证的路径。
- 工具不可用时交付本地 Markdown 或对话文本,并准确说明未完成的文件能力。
- 不自行发送、发布、上传个人材料;外部动作依用户授权执行。
- 本轮先完成一个可用版本,用户交回具体段落、页面或时间点后定点修复。
- 修复保留旧版与来源对应,避免下一轮丢失已经确认的事实。
外部参考与延展
- 启动信号:多栏串行、混合页漏识别、跨页表格错列或关键数字反复出错。
- 优先入口:PyMuPDF 文本提取;先读用户已有规则,再定位一个具体失败环节。
- 观察与取舍:比较自然阅读顺序、坐标块与 OCR 的输入条件;需要 OCR 时再查 OCRmyPDF/Tesseract 官方文档的语言与依赖,不默认环境已装齐。
- 融入与验证:把分栏和区域核验接入第 2、3 步;同一页对比丢行、错列和关键字段,改善后扩展。视觉核验不足时保留未核标记,不用置信度替代核对。
- 如果官方入口不可访问,沿用已验证流程并列出未核事项;不把搜索摘要当成已读全文。
- 需要新的工具参数、现行规定或平台访问能力时,查官方当前说明并记录所用版本;不凭旧记忆填写。
- 用户事实只来自本人材料;外部案例只用来比较机制,不用于补造数据、经历或原文。
- 保留触发案例及旧输出,定位修改后用相同输入回归;只把可泛化规则写回技能,个人偏好留在个人材料中。
明确模拟的执行示范
模拟输入:用户已给出的截图识别候选:第 1 页表格,列为项目/金额;培训/1200;交通/疑似 80 或 90。要求保留不确定项。
本轮成品:
第 1 页
| 项目 | 金额 |
|---|---|
| 培训 | 1200 |
| 交通 | [待核:80 或 90] |
| 异常清单:第 1 页交通金额需局部高清图;币种未提供;不汇总总额。验证范围:候选文本整理,未执行图像 OCR。 |
验收:成品仅使用上述模拟输入;缺失内容没有被补成事实。 此演示验证文本判断与交付路径,不代表已调用媒体处理或文件生成工具。 真实调用仍需检查实际文件、页面或片段的覆盖范围。