# OCR PDF 转结构化 JSON 桥

按几何结构抽取 PDF 文本层（y 坐标分行、列间隙识表、字号识标题、冒号键值对），然后逐字段填入用户提供的 JSON Schema——标签按归一化键名匹配、值按声明类型归一化，并用 ajv 校验。

> 标准页面: https://elysiatools.com/zh/tools/ocr-pdf-to-structured-json-bridge

- **分类:** Document Tools

- **关键词:** pdf 转 json, json schema, 结构化抽取, 发票抽取, 表格抽取

## 概述

OCR PDF 转结构化 JSON 桥通过分析包含文本层的 PDF 几何布局（根据 Y 轴坐标断行、列间隙识别表格、字号区分标题及冒号匹配键值对），将提取出的字段自动对齐并归一化填入自定义 JSON Schema，最后通过 ajv 进行强类型与规则校验。

## 输入项

- **PDF 文件（需含文本层）** (file): Invoice / form / statement PDF with a text layer
- **目标 JSON Schema** (textarea): { "type": "object", "properties": { "invoice_number": { "type": "string" }, "total": { "type": "number" } }, "required": \["invoice_number"\] }
- **数字归一化风格** (select)

## 适用场景

- 需要将包含文本层的 PDF 发票、账单或对账单批量提取为强类型 JSON 数据时。
- 希望在提取 PDF 内容的同时依据 JSON Schema 进行类型转换（如数字、日期）与严格校验时。
- 需要处理包含多列数据表格和冒号键值对的 PDF 文档并映射到结构化系统时。

## 工作原理

- 解析上传的 PDF 文本层，依据字符坐标识别行块、标题层级、列间距表格以及冒号键值对。
- 将提取出的标签名称与目标 JSON Schema 字段名进行归一化匹配，并根据配置的数字风格（点小数或逗号小数）转换数据类型。
- 生成符合结构的目标 JSON 数据，并调用 ajv 校验引擎检查必填项、数据类型、枚举值及格式约束。

## 使用案例

- 自动化将供应商 PDF 采购订单或发票转换为 ERP 系统所需的标准 JSON 负载。
- 将银行对账单中的交易明细表格抽取为标准化的会计入账数据结构。
- 校验批量 PDF 报表中的关键指标是否满足指定的格式与枚举枚举范围。

## 常见问题

### 上传的 PDF 必须包含文本层吗？

是的，工具依赖 PDF 内部的文本与几何坐标层进行解析，纯图片扫描件需先完成 OCR 生成可复制文本层。

### 数字归一化风格的选项有什么区别？

“点小数”将逗号作为千分位、点作为小数点；“逗号小数”反之；“自动”则将最后一个分隔符判定为小数点。

### 如果提取的数据不符合 JSON Schema 会怎样？

工具仍会展示提取出的映射结果，但 ajv 校验横幅会标记为无效，并高亮显示具体字段路径与错误原因。

### 支持哪些 JSON Schema 约束的验证？

支持常见 JSON Schema 规范，包括 string、number、integer 类型转换，以及 required 必填字段、enum 枚举、date 格式等约束。

### 表格数据如何被识别与提取？

工具根据 PDF 页面中对齐的列间隙几何特征识别表格行与列，并将其组织为结构化行记录供 Schema 匹配。

## 相关工具

- [聊天记录转PDF](https://elysiatools.com/zh/tools/chat-transcript-to-pdf): 将多角色聊天记录排版为对话式PDF
- [健身训练 PDF 生成器](https://elysiatools.com/zh/tools/fitness-workout-pdf-generator): 从 JSON 或 CSV 训练计划数据生成可打印 PDF，包含动作表格、进度格子和可选的视频二维码
- [富文本JSON转PDF](https://elysiatools.com/zh/tools/richtext-json-to-pdf): 将TipTap/Quill/Slate导出的JSON转换为PDF
- [PDF 转 JSON 结构浏览器](https://elysiatools.com/zh/tools/pdf-to-json-structure-explorer): 提取 PDF 的 OpenDataLoader JSON 结构，并以浏览器视图查看标题、段落、表格、列表、页码和 bbox
- [Data URI 生成器](https://elysiatools.com/zh/tools/data-uri-generator): 将文件转换为 Data URI（Base64 或百分号编码），用于直接在 HTML、CSS 或 Markdown 中内联图片、字体等资源
- [加密 PDF 转换器](https://elysiatools.com/zh/tools/encrypted-pdf-converter): 输入正确密码后解析受保护 PDF，并导出为 Markdown、JSON 或文本
- [PDF表单填写器](https://elysiatools.com/zh/tools/pdf-acroform-filler): 通过JSON编程填写PDF表单字段（文本/复选/单选/下拉）并导出PDF
- [PDF 注释导出](https://elysiatools.com/zh/tools/pdf-annotation-export): 将 PDF 中已有的注释（高亮、批注、印章、链接、标记）导出为 JSON 字符串

## 示例

- [PDF示例](https://elysiatools.com/zh/samples/pdf-samples): 2026-02-01 到 2026-02-10 工具生成的PDF示例
- [聊天记录 JSON 示例](https://elysiatools.com/zh/samples/chat-transcript-json): 多角色聊天记录的 JSON 示例
- [富媒体 JSON 示例](https://elysiatools.com/zh/samples/rich-media-json): 常见富文本编辑器（TipTap、Quill、Slate）的 JSON 示例
- [Terraform Plan JSON 样本](https://elysiatools.com/zh/samples/terraform-plan-json-samples): 用于依赖可视化和变更审查的 Terraform plan JSON 文件样本，贴近 terraform show -json 输出结构