OCR PDF 转结构化 JSON 桥

OCR PDF 转结构化 JSON 桥 | 在线免费工具 | Elysia Tools

工具使用指南

详细了解工具的适用范围、支持能力及用户案例。

关键事实

分类: Document Tools
输入类型: file, textarea, select
输出类型: html
案例覆盖: 4
API 可用: 是

概览

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。

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。

使用方式

1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。
2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。
3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。

常见用途

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。

示例

1. 发票数据提取与 ERP Schema 校验

财务系统集成工程师

背景

企业每月接收大量电子发票 PDF，需要将其中的发票号、开票日期和总金额录入 ERP 系统的 API 接口。

问题

手动抄录容易出现格式错误，且货币符号和千分位逗号无法直接存入数值型数据库字段。

如何使用

上传包含文本层的发票 PDF，在目标 JSON Schema 中定义 invoice_number、invoice_date、currency 及 total 等字段，选择数字风格为自动归一化。

{
  "type": "object",
  "properties": {
    "invoice_number": { "type": "string" },
    "invoice_date": { "type": "string", "format": "date" },
    "customer": { "type": "string" },
    "currency": { "type": "string", "enum": ["USD", "EUR"] },
    "total": { "type": "number" }
  },
  "required": ["invoice_number", "total"]
}

结果

成功提取发票标题、键值对和表格数据，货币符号被剥离并将金额转为纯数字 1250.5，通过 ajv 校验并输出标准 JSON。

2. 捕获币种枚举与整数类型违规

数据质检员

背景

需对接限定币种（仅支持 EUR/GBP）和整型金额的结算系统，需提前拦截不合规的 PDF 账单。

问题

部分发票使用了非支持币种或带小数金额，需要在入库前精确定位问题字段。

如何使用

上传 PDF 发票，在 Schema 中限定 currency 为 ["EUR", "GBP"] 且 total 为 integer 类型，数字风格设置为点小数。

{
  "type": "object",
  "properties": {
    "invoice_number": { "type": "string" },
    "currency": { "type": "string", "enum": ["EUR", "GBP"] },
    "total": { "type": "integer" }
  },
  "required": ["invoice_number"]
}

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。

运行这个工具

与这个工具匹配的案例

继续查看相关工具与专题

详细了解工具的适用范围、支持能力及用户案例。

关键事实

概览

适用场景

使用方式

常见用途

示例

1. 发票数据提取与 ERP Schema 校验

2. 捕获币种枚举与整数类型违规

常见问题

PDF示例

聊天记录 JSON 示例

富媒体 JSON 示例

Terraform Plan JSON 样本

聊天记录转PDF

健身训练 PDF 生成器

富文本JSON转PDF

PDF 转 JSON 结构浏览器