影刀RPA PDF读取与内容提取实战

影刀RPA PDF读取与内容提取实战作者林焱前言发票、合同、报告、银行对账单——企业里大量数据以PDF形式存在。手动从PDF里复制粘贴数据到Excel是典型的重复劳动。一、PDF处理的难点PDF和网页不一样——它不是HTML DOM结构没有标准化的元素定位方式。PDF的本质是固定版式的页面文字位置用坐标描述。这意味着影刀没法用XPath定位PDF里的元素。你需要用其他方式提取数据。拼多多店群自动化报活动上架二、三种PDF处理方案方案1影刀内置的PDF读取指令读取PDF文本提取PDF中所有文字。适用文字型PDF非扫描件排版简单。限制提取出的文字没有结构不知道哪个是标题、哪个是正文表格数据会被提取成混乱的文本扫描件图片型PDF完全无法读取方案2OCR识别针对扫描件截图PDF某页 → OCR识别截图 → 得到文字适用扫描件、图片型PDF。流程用Python或第三方工具将PDF每页转成图片对每张图片用OCR提取文字用正则从文字中提取结构化数据发票号、金额、日期方案3Python库处理推荐进阶用户用影刀的执行Python代码指令调用pdfplumber或PyPDF2库importpdfplumberwithpdfplumber.open(invoice.pdf)aspdf:pagepdf.pages[0]textpage.extract_text()tablespage.extract_tables()# 直接提取表格pdfplumber能直接提取PDF中的表格数据这是影刀内置指令做不到的。TEMU店群矩阵自动化运营核价报活动三、实战发票信息自动提取场景每天收到几十份电子发票PDF需要提取发票号、金额、日期、销售方。1. 获取文件夹下所有PDF文件 2. ForEach pdf_file in pdf_list: 用pdfplumber打开PDF 提取文本 用正则匹配 发票号INV\d{10}  金额¥[\d,]\.\d{2} 日期\d{4}年\d{2}月\d{2}日 将提取结果写入Excel 3. 生成汇总报表四、PDF处理的实用工具pdfplumberPython库提取文字和表格的利器Tabula开源PDF表格提取工具ABBYY FineReader商业OCR软件识别准确率极高WPS/Office PDF转换将PDF转Word后再处理五、总结PDF自动化分两步先提取文字用影刀指令或Python库再从文字中结构化提取关键信息用正则或文本处理。扫描件需要额外加一层OCR。下一篇讲CSV文件操作——比Excel更轻量的数据格式。作者林焱影刀RPA深耕实践者致力于让每个普通人都能学会自动化