PDF批量字段提取
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @user_5b90901a/pdftq。
技能介绍
这个技能解决什么问题
面对一整个文件夹的 报关底单 和 提单 PDF,人工把件数、毛重、净重一个个抄进 Excel 是很耗时间的活。更麻烦的是两类单据格式不同:报关底单是中文"表头 + 数据行"结构,提单是英文 CTNS / KGS / CBM 标注,混在一起处理很容易出错。
@user_5b90901a/pdftq 的目标就是把这个流程脚本化:给一个目录或 ZIP 包,输出一份 .xlsx,每一行对应一个 PDF,用文件名做标识。
核心能力
- 按文件类型自动分流:脚本先从文本内容判断 PDF 类型,再套用对应策略。报关底单走"找含件数与毛重(千克)的行 → 读下一行纯数字 token"路线,
件数取第一个整数、毛重取第一个小数、净重取第二个小数;提单走正则路线,匹配(\d+)\s*CTNS?、(\d+\.?\d*)\s*KGS?、(\d+\.?\d*)\s*CBM这类英文格式。类型不明时先试提单正则,再退回报关策略。 - 自定义正则字段:内置字段不够用时,用
--custom "字段名:正则"追加,取第一个捕获组的值,可重复传多个;底层是 Pythonre,带IGNORECASE | MULTILINE标志。 - 结构化 Excel 输出:列为
序号 | 文件名 | 文件类型 | 编号 | [提取字段] | 备注;全部命中的行标绿,缺失或出错的标黄,表头冻结,列宽按内容自适应(上限 55 字符)。 - 目录友好:支持
--recursive递归扫描子目录,中文文件名在 Windows / macOS / Linux 上都能正确处理。
适用边界与注意点
- 只吃文本层 PDF。纯扫描件会报"无法提取文本",需要先用 Tesseract 或 PaddleOCR 转一遍文本再重跑脚本。
- 字段缺失就是缺失。找不到的字段写"未找到"并标黄,不会做估算或推断,需要人工回头核对。
- 提取顺序依赖格式约定。报关底单按"数据行第一个整数/第一个小数/第二个小数"取值,如果源单据排版被改过,结果可能错位。
- 更复杂的字段规则参考
references/field_patterns.md,实际单据格式差异较大时,建议先用少量样本验证正则再批量跑。
依赖
需要 pdfplumber 读写 PDF 文本层,openpyxl 生成工作簿。
使用场景
- 货代客服拿到一个装满几十份报关底单的文件夹,需要把每票的件数、毛重、净重抽出来,按文件名拼成一份对账 Excel。
- 操作同事把一文件夹混放的提单和报关单一起丢过来,希望脚本自动按单据类型分流,再把结果统一成同一张表。
- 财务每月要核对工厂发来的 PDF 发票和箱单,字段位置不固定,需要用 --custom 正则把体积、重量这类键值抓进 Excel。
- 仓库回传的扫描件只有图片,需要先 OCR 转成文本,再跑脚本逐文件提取件数和重量,避免整批漏掉。
适合人员
- 进出口单证员,每天要核对几十份报关底单和提单,诉求是跳过肉眼抄数,直接拿到按文件名排序的字段表。
- 物流数据分析师,需要把混杂文件夹里的单据统一成结构化数据,诉求是脚本自动识别单据类型并输出一致的表头。
- 外贸跟单员,需要核对发票、箱单里的伏击件数和体积是否一致,诉求是先用 --custom 正则固定列位再跨文件批量比对。