应用场景
某员工收到包含几百页的pdf文件 ， 这几百页pdf文件格式都是一样的 。员工需要获取其中的一个送货单编号 ， 根据这个送货单号匹配送货项目，送货数量等等 ， 且无法获取excel版本 。样本生成
为了不泄露公司机密，下面将使用百度公开的一个送货单模板生成pdf，来实现送货编号的获取 。假设要获取订单编号 ， 且文件格式为pdf，测试版本共有4页，格式完全一样，但是编号不相同 。
首先使用excel自带的pdf打印机生成pdf样本 。
导出图片
- 打开pdf识别工具，选择文件，选择导出并切割
- 之后会生成一个“导出路径”文件夹 ， 里面有导出的图片和切割的图片 。
- 打开切割后文件夹，发现并没有订单编号的图片，这是因为需要你手动获取切割位置 ， 默认的切割位置是我帮女朋友做他们公司坑爹的pdf文件定位的 ， 所以你在使用的时候需要手动定位
- 下面将使用网页版ps来获取切割位置
获取切割位置
- 打开网页版ps：https://www.uupoop.com/
- 上传刚刚导出的图片
- 使用矩形框工具，然后拉到“项目编号”所在单元格的左上角，记录一下长宽
- 左上角的点 ， 高508,宽198
- 然后测试“项目编号”右下角的点所在位置
- 右下角的点，长715，宽239 。记录下这两个坐标 。
再次切割
- 和之前一样 ， 重新打开工具，填入点(508,198) ， (715, 239)
- 查看切割效果，目测还不错，可以作为下面的识别材料了 。
获取百度AI文字识别api
- 搜索“百度AI开放平台”，点击控制台，注册登录
- 点击文字识别，选择创建应用，随便输入应用名和用途
- 点击管理应用，记录你的api相关信息 。
- 填入pdf识别工具自动生成的api.json文件（可以右键，打开方式，记事本打开，推荐使用Notepad）
- 填写好后保存，准备工作完成 。
识别片段
- 点击“开始识别”即会自动识别刚刚切割生成的图片文件 。
- 可以选择“普通识别” ， “普通识别高精度版”，“识别数字” ， “识别票据”
- 本次使用普通识别高精度版测试识别效果 。
- 识别效果
目前准确率100% ， 没有出现错误 。
软件及模板分享
关注并私信“pdf片段识别”即可获取相关文件【pdf批量识别片段文字内容小工具】python源码开源地址：https://github.com/Tlntin/pdf_tools