企业官网建设流程全解析

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。

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2：OCR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：

1. 用Python或第三方工具将PDF每页转成图片
2. 对每张图片用OCR提取文字
3. 用正则从文字中提取结构化数据（发票号、金额、日期）

方案3：Python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:page=pdf.pages[0]text=page.extract_text()tables=page.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。

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} ![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/3c0beaaffdfd44a0a37249f649eea733.png#pic_center) 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

• pdfplumber（Python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