PDF 产品目录提取 Skill#

技能名称： pdf-product-catalog

版本： 1.0

日期： 2026-03-23

作者： IRON 💪

---

📋 技能描述#

从 PDF 产品目录（模具图纸）中自动提取产品信息，生成结构化知识库和 Excel 填充数据。

适用场景：

• 产品目录 PDF 批量处理
• 模具图纸信息提取
• 产品知识库建立
• Excel 产品数据填充

---

🎯 核心功能#

1. PDF 文本提取 — pdftotext（矢量图）+ Docling OCR（图片格式 fallback）
2. 关键信息识别 — 模具号、包装规范、客户品名、长度
3. 错误排除 — 识别并排除包装规范（BJ0599-XXXX）误认为模具号
4. 知识库生成 — Markdown 词条 + JSON 结构化数据
5. Excel 填充 — 自动填充 SKU→模具号映射

---

📁 文件结构#

text

pdf-product-catalog/
├── SKILL.md              # 技能说明（本文件）
├── scripts/
│   └── extract.py        # 主提取脚本
├── examples/
│   ├── sample_input.json # 输入示例
│   └── sample_output.md  # 输出示例
└── output/               # 输出目录（运行时生成）

---

🔧 使用方法#

1️⃣ 基础用法#

bash

python3 skills/pdf-product-catalog/scripts/extract.py \
  --pdf-dir "/path/to/pdf/files" \
  --output-dir "/path/to/output"

2️⃣ 完整参数#

bash

python3 scripts/extract.py \
  --pdf-dir "/path/to/pdfs" \
  --output-dir "/path/to/output" \
  --excel-path "/path/to/excel.xlsx" \
  --ocr-threshold 300 \
  --verbose

3️⃣ 参数说明#

参数必需说明默认值--pdf-dir✅PDF 文件目录---output-dir✅输出目录---excel-path❌Excel 文件路径（用于填充）None--ocr-threshold❌文本少于多少字符时启用 OCR300--verbose❌详细输出模式False

---

📊 提取流程#

Step 1: PDF 文本提取#

python

# 优先使用 pdftotext（矢量图 PDF 准确快速）
result = subprocess.run(['pdftotext', pdf_path, '-'], capture_output=True, text=True)

# 如果文本太短（<300 字符），启用 OCR fallback
if len(text) < ocr_threshold:
    # 转图片 + Docling OCR
    subprocess.run(['pdftoppm', '-png', '-r', '300', pdf_path, img_path])
    ocr_result = converter.convert(img_path)
    text = ocr_result.document.export_to_markdown()

Step 2: 关键信息提取#

python

# 1. 模具号 (MODEL NO.) - 优先级最高
model_match = re.search(r'MODEL\s+NO\.?\s*[:\|\s\n]*([A-Z]{2,}-\d+[A-Z]?)', text, re.IGNORECASE)

# 2. 包装规范 (Package No.) - BJ0599-XXXX 格式
pkg_matches = re.findall(r'(BJ0599-\d{4})', text)

# 3. 客户品名 (CUSTOMER ITEM)
ci_match = re.search(r'CUSTOMER ITEM\s*\n([A-Za-z0-9\-]+)', text, re.IGNORECASE)

# 4. 长度 (LENGTH)
length_matches = re.findall(r'(\d{2,4})\s*\+\d*\s*-\d*\s*(mm)?', text)

Step 3: 错误排除规则#

python

# ❌ 排除规则 1: BJ0599-XXXX 是包装规范，不是模具号
if model_no.startswith('BJ0599-'):
    model_no = None  # 重新提取

# ❌ 排除规则 2: 客户品名不是模具号
if customer_item == model_no:
    # 可能模具号在图片中，需要 OCR 重新提取
    model_no = extract_with_ocr()

# ❌ 排除规则 3: 太短的字符串不是模具号
if len(model_no) < 5:
    model_no = None  # 如 "TP" 需要人工确认

Step 4: 知识库生成#

python

# Markdown 词条
product_md = f"""# {pdf_file} 产品类目词条

## 基础信息
- **模具号 (MODEL NO.):** {model_no}
- **包装规范:** {', '.join(package_specs)}
- **客户品名:** {', '.join(customer_items)}
- **长度:** {', '.join(lengths)}

## 产品类目
（详细产品信息...）
"""

# JSON 数据
product_json = {
    'pdf_file': pdf_file,
    'model_no': model_no,
    'package_specs': package_specs,
    'customer_items': customer_items,
    'lengths': lengths,
    'products': [...]
}

Step 5: Excel 填充#

python

# 建立 SKU→模具号映射
sku_to_model = {}
for product in products:
    for item in product['customer_items']:
        sku_to_model[item] = product['model_no']

# 填充 Excel
for row in ws.iter_rows(min_row=4):
    sku = row[3].value
    if sku in sku_to_model:
        row[2].value = sku_to_model[sku]  # Model 列

---

⚠️ 常见错误与排除#

错误 1: BJ0599-XXXX 误认为模具号#

现象： 模具号显示为 BJ0599-0001, BJ0599-0002 等

原因： BJ0599-XXXX 是包装规范（Package No.），不是模具号

排除方法：

python

if model_no.startswith('BJ0599-'):
    # 重新提取真正的模具号
    model_no = extract_real_model_no(text)

错误 2: 客户品名误认为模具号#

现象： 模具号与客户品名完全相同（如 GCHDMIFF, HDACFM）

原因： PDF 的 MODEL NO. 字段在图片中，pdftotext 读不到

排除方法：

python

if model_no == customer_item:
    # 启用 OCR 重新提取
    model_no = extract_with_ocr()

错误 3: 模具号提取为空#

现象： 模具号为 None 或空字符串

原因： PDF 格式特殊，文本层和 OCR 都提取失败

排除方法：

python

if not model_no:
    # 使用已知映射表 fallback
    model_no = known_mappings.get(pdf_file)

---

📝 输出示例#

产品索引.md#

markdown

# 599 客户产品知识库索引

**总计：** 58 个产品

**数据结构：** 模具号 → 客户品名 → 长度 + 包装规范

| 序号 | PDF 文件 | 模具号 | 包装规范 | 客户品名 | 长度 |
|------|----------|--------|----------|----------|------|
| 1 | 599-001.pdf | GCHDMIFF | BJ0599-0001 | GCHDMIFF | N/A |
| 8 | 599-008.pdf | OP-HD31 | BJ0599-0009 | 8K-A-30F-HDMI-CABLE | 9150mm |

产品详细数据.json#

json

{
  "pdf_file": "599-008.pdf",
  "model_no": "OP-HD31",
  "package_specs": ["BJ0599-0009"],
  "customer_items": ["8K-A-30F-HDMI-CABLE", "8K-A-50F-HDMI-CABLE"],
  "lengths": ["9150mm", "15250mm"],
  "products": [
    {
      "customer_item": "8K-A-30F-HDMI-CABLE",
      "length": "9150mm",
      "package_spec": "BJ0599-0009"
    }
  ]
}

---

🔍 模具号规律参考#

系列格式示例数量AD 系列AD + 4 位数字 + 短横线 + 2-3 位AD1002-005, AD10084 个5001 系列5001 + 短横线 + 3 位数字 + 字母5001-125A, 5001-130A9 个5004 系列5004 + 短横线 + 1-3 位 + 字母5004-6A, 5004-65A3 个OP 系列OP + 短横线 + 2 位字母 + 2 位数字OP-HD31, OP-USB094 个AP 系列AP + 短横线 + 3 位数字 + 字母AP-073A, AP-079A2 个DP 系列DP + 短横线 + 3 位数字 + 字母DP-033A, DP-034A5 个

---

📦 依赖安装#

bash

# 系统依赖
brew install poppler  # pdftotext, pdftoppm

# Python 依赖
pip3 install docling openpyxl

---

🧪 测试命令#

bash

# 测试单个 PDF
python3 scripts/extract.py \
  --pdf-dir "/path/to/599" \
  --output-dir "./output" \
  --verbose

# 验证输出
cat output/产品索引.md
cat output/产品详细数据.json | python3 -m json.tool

---

📚 相关文档#

• Docling 文档
• pdftotext 手册
• OpenPyXL 文档

---

版本历史：

• v1.0 (2026-03-23) — 初始版本，支持 PDF 批量提取、错误排除、知识库生成