PDF 信息提取：逐页原文证据与 Python 示例

这份流程处理文字层，不是 OCR

可选中复制的数字 PDF 通常适合先用 pypdf 读取文字。扫描页可能只有图片，pypdf 不会识别图片文字；抽出空文本时，标记需要 OCR 或人工处理，不继续要求模型猜内容。

部分 PDF 的列顺序、页眉或表格会在抽取后混乱，即便文本不为空也要抽查原页面。本示例输出页面序号，指 PDF 文件第几页，不假定等于印刷在页脚的页码。

本地提取与模型提取分开保存

先只在本地提取，再决定是否调用

下载脚本后先运行 --extract-only，这一步不会发送 API 请求。检查 pdf-page-text.json 中页面是否可读，再设置 Key 与模型运行模型提取；文本会发送到配置的网关和上游。

python -m pip install -U pypdf openai jsonschema
python developer-pdf-extraction.py invoice.pdf --extract-only
# 人工检查 pdf-page-text.json 后再配置 Key 和模型
python developer-pdf-extraction.py invoice.pdf

文字层提取的完整最小示例

这段可以独立执行，先判断每页是否存在可提取文字。完整下载版还包含输入限制、模型提取、Schema 与原文引文验证；没有截断后假装处理完整文档。

import json
from pathlib import Path
from pypdf import PdfReader

reader = PdfReader("invoice.pdf")
if reader.is_encrypted:
    raise ValueError("请先用授权方式处理加密文档")
pages = []
for number, page in enumerate(reader.pages, 1):
    text = (page.extract_text() or "").strip()
    pages.append({"page": number, "text": text,
                  "status": "text_ready" if text else "needs_ocr_or_review"})
Path("pdf-page-text.json").write_text(
    json.dumps(pages, ensure_ascii=False, indent=2), encoding="utf-8")
print("已本地保存；本步骤未调用模型")

字段契约：值、短引文、所在页

下载版按页提取 seller、total、date。每个字段保存 value 和 quote；找不到时 value=null、quote 为空字符串。值要求原样复制，不改写金额，不推算日期，也不合并另一页的内容。

本地检查 quote 能否在该页原文定位、value 是否在 quote 中。通过只代表有可定位文字，仍不保证选中的是应付总额而不是税额。字段含义与表格关系继续由人工核验。

{
  "page": 1,
  "fields": {
    "seller": {"value": "示例商店", "quote": "销售方：示例商店"},
    "total": {"value": "128.50", "quote": "合计应付：128.50 元"},
    "date": {"value": null, "quote": ""}
  },
  "status": "evidence_located_needs_human_review"
}

演示限制与长文扩展

• 下载版限制 10 MB、20 页、每页 20,000 字符；这些是示例保护值，不是模型容量。
• 长页先按可解释段落分块，并保留页号与段落编号，不默默截断文件。
• 跨页表格、合并单元格与多种金额需增加业务规则，不能只靠字段类型。
• 多文档提取保留 file_id 和文件哈希，避免同名文件混用证据。
• PDF 可含图片、注释或复杂内容；处理不可信文件应在隔离环境中进行。

失败页保留，重试前先核对记录

空文本进入 OCR 或人工队列。JSON、Schema、引文校验失败进入失败队列；已有成功页继续保留。网络超时可能已在上游执行，先查控制台后决定是否重发某页。

脚本会逐次保存结果与 usage，运行第二次并不自动跳过第一页，可能再次计费。正式批量系统需要持久化文档页状态与显式重试策略。

怎样确认已经完成

• 扫描页被标记需要 OCR，不伪造空页字段
• 文件页号、原文与每项引文可对应
• 未知日期为 null，金额不被推算或改写
• 通过定位后再核对总额含义与原始 PDF

常见问题

资料来源

• pypdf 官方：文字层提取与 OCR 边界
• OpenAI 官方：Structured Outputs