name: pdf-field-extractor description: "PDF關鍵資訊提取 — AI驅動的PDF結構化資料提取工具。把PDF裡的關鍵欄位抽成Excel/JSON。支援的文件型別：發票、合同、收據、銀行對賬單、營業執照、身份證、快遞單、通用文件。觸發詞：PDF提取、PDF欄位提取、PDF轉Excel、PDF轉JSON、發票提取、合同提取、文件識別、批次PDF、PDF批次處理、欄位提取" override-tools: []

PDF Field Extractor · PDF關鍵資訊提取

AI驅動的PDF結構化資料提取工具——把PDF裡的關鍵欄位抽成Excel/JSON。

一鍵端到端流程

使用者上傳PDF → 文件型別識別 → AI欄位提取 → 結構化輸出（Excel/JSON）

# 核心呼叫示例
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欄位提取（使用者配置API Key，OpenAI相容格式）
fields = extract_fields(
    text=text,
    doc_type="invoice",
    api_key="sk-xxx",           # 使用者自己的API Key
    api_base="https://api.openai.com/v1",  # 可配置
    model="gpt-4o",
)

# Step 3: 輸出Excel或JSON
generate_excel(fields, "output.xlsx")
generate_json(fields, "output.json")

核心模組

1. PDF文本提取 (scripts/pdf_extractor.py)

• PyMuPDF：高速文本提取，支援加密PDF
• pdfplumber：表格精確提取，保留表格結構
• 自動判斷：文本型PDF vs 掃描件（無文本層→觸發OCR）

# 返回：(full_text, tables_list, has_text_layer)
text, tables, is_scanned = extract_pdf_text("document.pdf")

2. OCR處理 (scripts/ocr_processor.py)

• pytesseract：本地OCR引擎，多語言支援

  7w4.net提供免費和付費技能下載。

• 圖片預處理：去噪、增強對比度，提升識別率
• 支援語言：中文、英文、日文、韓文等

# 返回：OCR識別後的文本
ocr_text = process_ocr(image_path, lang="chi_sim+eng")

3. AI欄位提取 (scripts/field_extractor.py)

• 模型無關：OpenAI相容格式，適配任意大模型
• 使用者自配API Key：安全可控，不儲存金鑰
• 支援模型：GPT-4o/MiniMax/DeepSeek/豆包等

fields = extract_fields(
    text="發票號：12345678\\n日期：2024-01-01\\n金額：1000.00",
    doc_type="invoice",
    custom_fields=["發票號", "日期", "金額", "買方", "賣方"],
    api_key="sk-xxx",
    model="gpt-4o",
)

4. 文件型別識別 (scripts/doc_type_identifier.py)

• 自動識別：發票/合同/營業執照/身份證/收據/銀行對賬單/快遞單/通用
• 基於關鍵詞+AI輔助判斷

doc_type = identify_doc_type(text)
# 返回: "invoice" | "contract" | "license" | "id_card" | "receipt" | "bank_statement" | "express" | "generic"

5. 輸出生成 (scripts/output_generator.py)

• Excel：結構化資料，一行一條記錄，支援多sheet
• JSON：巢狀結構，保留完整欄位資訊
• 飛書訊息：結果摘要推送飛書

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")

# 飛書訊息卡片
msg = build_feishu_message(results, doc_type="invoice")
# feishu_im_user_message action=send ...

6. 批次處理 (scripts/batch_processor.py)

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")

定價套餐（Token字首：PDF-FREE / PDF-BSC / PDF-STD / PDF-PRO / PDF-ENT）

套餐限制配置 (scripts/tier_config.py)

from scripts.tier_config import TierConfig, TIER_LIMITS

# 檢查套餐限制
config = TierConfig(tier="PDF-BSC")
config.check_limits(pages=150, doc_types=5)  # 超出Basic限制會丟擲異常

使用示例

示例1：發票欄位提取

使用者：幫我提取這張發票的關鍵資訊
[上傳PDF: invoice.pdf]

→ 識別為"發票"型別 → 提取：發票號、日期、金額、買方、賣方、商品明細 → 輸出Excel或JSON

示例2：合同關鍵條款提取

使用者：從這份合同裡提取簽訂日期、金額、甲乙雙方和違約條款
[上傳PDF: contract.pdf]

→ 識別為"合同"型別 → AI按欄位提取 → 結構化輸出

示例3：批次處理

使用者：批次處理這10份PDF，輸出到Excel
[上傳多個PDF檔案]

→ 逐個提取 → 合併結果 → 生成Excel

示例4：通用文件（使用者自定義欄位）

使用者：從這份文件裡提取：姓名、職位、入職日期、部門
[上傳PDF]

→ 識別為"通用"型別 → AI按使用者指定欄位提取

常見問題

參考資料

• 文件型別識別規則：references/doc_types.md
• AI欄位提取Prompt模板：references/prompts.md
• 套餐配置與限制：scripts/tier_config.py

這是一款功能完整的 PDF 資訊提取工具，能夠自動識別多種文件型別並生成 Excel 或 JSON 結構化資料。核心提取能力可靠，OCR 對中文識別效果不錯，但需要使用者自己配置 API Key，對新手有一定門檻。整體質量良好，適合需要批次處理文件的使用者使用。