夜雨聆风业务场景
部分PDF为扫描图片版、无原生文字/表格，无法使用提取表格、提取全文文本功能；仅能依靠OCR光学字符识别抓取订单号、联系人、电话等信息。该方案属于兜底提取方案，适合标准化固定版式扫描单据，在表格、文本提取全部失效时使用，但对页面窗口大小、像素位置、文字样式一致性要求极高。
一、OCR基础概念
OCR全称光学字符识别，属于AI识别技术，可识别图片、屏幕内文字； 支持多语言混合识别（中英日韩等），指定文档语言能大幅提升识别准确率； 核心逻辑：先截图捕获关键字标签（如order number）作为图像锚点，像素偏移定位右侧数据区域，再二次OCR截取目标内容。
二、完整执行流程
启动PDF阅读器
Adobe试用过期、不可用时，使用 Run application调用Edge/Chrome浏览器打开本地PDF文件；不可直接用URL动作读取本地文件路径，URL仅支持网页地址。
窗口标准化处理
获取PDF窗口句柄，强制最大化窗口； 窗口尺寸、遮挡、最小化会造成像素坐标偏移，直接导致OCR识别失败。
捕获锚点图像
通过截图工具框选固定关键字（order number、trainer等）保存为图像模板； 匹配依靠像素比对，文字大小、背景色、轻微位移都会匹配失败。
偏移截取区域OCR识别
提前测算像素偏移距离与截取宽度，预留少量容错长度； 使用 Extract text with OCR选择子区域识别，抓取锚点旁对应数据；多字段分别识别存入独立变量。
数据落地：将所有识别出的字段批量写入Excel并保存。
三、核心痛点与缺陷
像素强依赖：页面缩放、窗口大小、轻微排版偏移都会导致找不到锚图，流程报错； 截取长度难把控：区间过短丢失数字，过长混入多余字符，需反复调试像素值； 识别稳定性差：肉眼无差异的文字图片，程序可能匹配失败； 操作繁琐：需要手动截图、反复测算像素偏移量，调试成本高。
四、适用与使用优先级
适用场景
扫描件图片PDF、无原生文本/表格、页面版式完全统一的标准化单据。
使用优先级
优先方案：提取PDF表格 > 提取PDF全文文本；兜底方案：图像锚点+OCR识别（仅前两种方式失效时再使用）。
五、实操关键注意事项
Adobe授权过期可改用浏览器打开本地PDF； 执行OCR前必须最大化文档窗口，避免坐标偏移； 锚点截图需保证文字大小、背景、字体完全统一； 测算截取像素范围预留容错空间，防止字段长短不一导致数据截断； 文档版式不固定、每页排版存在差异时，不建议使用该方案。
