PDF 表格 OCR 转 Excel

要解决什么问题

银行流水、对账单、明细账常以扫描 PDF 或图片型 PDF 交付，表格无法直接复制到 Excel。人工录入慢且易错；通用 PDF 转文本又往往丢失行列结构，表头跨页、日期与摘要拆成两行等问题会让后续对账很痛苦。

本技能面向「PDF 里的表格 → 可编辑 Excel」这一具体场景，尤其贴合多行交易明细和单张银行回单两类材料。

技能如何工作

脚本读取 PDF（PyMuPDF 取页数，整份或逐页以 base64 调用腾讯云 OCR），并支持两种引擎在 auto 模式下并行对比：

• RecognizeTableAccurateOCR（表格识别 V3）：通用表格，支持 PDF 直传，返回单元格坐标及 base64 Excel，适合多页流水明细。
• BankSlipOCR（银行回单识别）：回单/凭证类键值对，适合单张回单对照。

识别结果会经一套列映射与清洗再写入模板，而不是 OCR 原文直贴：

1. 按关键词将 OCR 表头对齐到模板列（业务日期、借贷金额、对方单位等）；未命中列留空，来源名称 自动填 PDF 文件名。
2. 重建表格：过滤误识别为表格的标题块、合并单元格导致的重复表头、工行等常见的日期行 + 摘要行交替行，并做跨页表头检测（含「入账日期」等变体）。
3. 数据清洗：用文档内已出现的四位年份修正 OCR 把 2026 读成 16 的日期；去掉混入数据的表头行、仅首列有字的残留行；摘要列里泄露的「摘要/备注」等占位文字清空。
4. 用 xlsxwriter 按模板写出 Excel；每个 PDF 通常含主数据 Sheet 与 {文件名}_BankSlip 对照 Sheet。

凭证须通过环境变量 TENCENTCLOUD_SECRET_ID / TENCENTCLOUD_SECRET_KEY 配置，并在控制台开通表格 V3 与银行回单 OCR（均有免费额度）。

适用边界与注意点

• 体积与限速：base64 后单文件不超过约 10MB；V3 约 2 次/秒、BankSlip 约 10 次/秒，多页会逐页排队。
• 误读与原始数据：年份修正依赖同文档内的参考年份，年份跨度异常过大不会强行改写；流水中凭证种类/凭证号为 0 可能是源数据如此，并非脚本丢字段。
• 模板：可用 --template 读自定义表头；不传则用内置默认 13 列结构。短关键词（如类/款/项相关列）采用精确匹配，避免子串误绑。