AI驱动的PDF结构化数据提取工具,支持发票、合同等多类型PDF转换为Excel或JSON格式,支持批量和OCR扫描件处理。
name: pdf-field-extractor
description: "PDF关键信息提取 — AI驱动的PDF结构化数据提取工具。把PDF里的关键字段抽成Excel/JSON。支持的文档类型:发票、合同、收据、银行对账单、营业执照、身份证、快递单、通用文档。触发词:PDF提取、PDF字段提取、PDF转Excel、PDF转JSON、发票提取、合同提取、文档识别、批量PDF、PDF批量处理、字段提取"
override-tools: []
---
# PDF Field Extractor · PDF关键信息提取
AI驱动的PDF结构化数据提取工具——把PDF里的关键字段抽成Excel/JSON。
## 一键端到端流程
用户上传PDF → 文档类型识别 → AI字段提取 → 结构化输出(Excel/JSON)
```python
# 核心调用示例
from scripts.pdf_extractor import extract_pdf_text
from scripts.field_extractor import extract_fields
from scripts.output_generator import generate_excel, generate_json
# Step 1: 提取PDF文本(PyMuPDF + pdfplumber)
text, tables, images = extract_pdf_text("invoice.pdf")
# Step 2: AI字段提取(用户配置API Key,OpenAI兼容格式)
fields = extract_fields(
text=text,
doc_type="invoice",
api_key="sk-xxx", # 用户自己的API Key
api_base="https://api.openai.com/v1", # 可配置
model="gpt-4o",
)
# Step 3: 输出Excel或JSON
generate_excel(fields, "output.xlsx")
generate_json(fields, "output.json")
```
## 核心模块
### 1. PDF文本提取 (`scripts/pdf_extractor.py`)
- **PyMuPDF**:高速文本提取,支持加密PDF
- **pdfplumber**:表格精确提取,保留表格结构
- **自动判断**:文本型PDF vs 扫描件(无文本层→触发OCR)
```python
# 返回:(full_text, tables_list, has_text_layer)
text, tables, is_scanned = extract_pdf_text("document.pdf")
```
### 2. OCR处理 (`scripts/ocr_processor.py`)
- **pytesseract**:本地OCR引擎,多语言支持
- **图片预处理**:去噪、增强对比度,提升识别率
- **支持语言**:中文、英文、日文、韩文等
```python
# 返回:OCR识别后的文本
ocr_text = process_ocr(image_path, lang="chi_sim+eng")
```
### 3. AI字段提取 (`scripts/field_extractor.py`)
- **模型无关**:OpenAI兼容格式,适配任意大模型
- **用户自配API Key**:安全可控,不存储密钥
- **支持模型**:GPT-4o/MiniMax/DeepSeek/豆包等
```python
fields = extract_fields(
text="发票号:12345678\\n日期:2024-01-01\\n金额:1000.00",
doc_type="invoice",
custom_fields=["发票号", "日期", "金额", "买方", "卖方"],
api_key="sk-xxx",
model="gpt-4o",
)
```
### 4. 文档类型识别 (`scripts/doc_type_identifier.py`)
- **自动识别**:发票/合同/营业执照/身份证/收据/银行对账单/快递单/通用
- **基于关键词+AI辅助判断**
```python
doc_type = identify_doc_type(text)
# 返回: "invoice" | "contract" | "license" | "id_card" | "receipt" | "bank_statement" | "express" | "generic"
```
### 5. 输出生成 (`scripts/output_generator.py`)
- **Excel**:结构化数据,一行一条记录,支持多sheet
- **JSON**:嵌套结构,保留完整字段信息
- **飞书消息**:结果摘要推送飞书
```python
from scripts.output_generator import generate_excel, generate_json, build_feishu_message
generate_excel(results, "extracted_data.xlsx", sheet_name="Sheet1")
generate_json(results, "extracted_data.json")
# 飞书消息卡片
msg = build_feishu_message(results, doc_type="invoice")
# feishu_im_user_message action=send ...
```
### 6. 批量处理 (`scripts/batch_processor.py`)
```python
results = process_batch(
pdf_files=["doc1.pdf", "doc2.pdf", "doc3.pdf"],
doc_type="invoice",
api_key="sk-xxx",
max_workers=4,
)
generate_excel(results, "batch_output.xlsx")
```
## 定价套餐(Token前缀:PDF-FREE / PDF-BSC / PDF-STD / PDF-PRO / PDF-ENT)
| 套餐 | 价格 | 功能 |
|------|------|------|
| Free | $0 | 10页/月,发票类型,文本输出 |
| Basic | ¥9.9/月 | 200页/月,4种文档类型,Excel输出 |
| Standard | ¥29/月 | 1000页/月,批量处理,通用文档类型 |
| Professional | ¥69/月 | 不限页数,JSON输出,API优先 |
| Enterprise | ¥149/月 | 不限一切,多语言OCR,定制字段模板 |
## 套餐限制配置 (`scripts/tier_config.py`)
```python
from scripts.tier_config import TierConfig, TIER_LIMITS
# 检查套餐限制
config = TierConfig(tier="PDF-BSC")
config.check_limits(pages=150, doc_types=5) # 超出Basic限制会抛出异常
```
## 使用示例
### 示例1:发票字段提取
```
用户:帮我提取这张发票的关键信息
[上传PDF: invoice.pdf]
```
→ 识别为"发票"类型 → 提取:发票号、日期、金额、买方、卖方、商品明细
→ 输出Excel或JSON
### 示例2:合同关键条款提取
```
用户:从这份合同里提取签订日期、金额、甲乙双方和违约条款
[上传PDF: contract.pdf]
```
→ 识别为"合同"类型 → AI按字段提取 → 结构化输出
### 示例3:批量处理
```
用户:批量处理这10份PDF,输出到Excel
[上传多个PDF文件]
```
→ 逐个提取 → 合并结果 → 生成Excel
### 示例4:通用文档(用户自定义字段)
```
用户:从这份文档里提取:姓名、职位、入职日期、部门
[上传PDF]
```
→ 识别为"通用"类型 → AI按用户指定字段提取
## 常见问题
| 问题 | 解答 |
|------|------|
| 如何处理扫描件? | 自动检测无文本层PDF,触发pytesseract OCR,支持多语言 |
| API Key如何配置? | 用户在Agent中配置,Skill调用时不存储 |
| 支持哪些输出格式? | Excel(.xlsx)和JSON,批量时优先Excel |
| 能处理多少页的PDF? | Free版10页/月,付费版按套餐 |
| 如何提升OCR识别率? | 确保图片清晰、分辨率足够(建议300dpi),可预处理去噪 |
## 参考资料
- 文档类型识别规则:[references/doc_types.md](references/doc_types.md)
- AI字段提取Prompt模板:[references/prompts.md](references/prompts.md)
- 套餐配置与限制:[scripts/tier_config.py](scripts/tier_config.py)
don't have the plugin yet? install it then click "run inline in claude" again.