什么值得买App下载 App ›
连续签到专享现金活动

【彻底告别复制粘贴!Python调用AI大模型,3分钟精准提取100份滴滴/高德PDF行程单,自动生成Excel】

在处理大量结构化数据文档的办公场景中,批量从PDF电子行程单中提取关键信息是一项常见且繁琐的任务。针对滴滴出行、高德打车等格式的PDF文件,传统的人工复制粘贴方式存在效率低、易出错等问题。通过Python编写自动化脚本,利用PaddleOCR进行文字识别,并结合PyQt6构建可视化界面,可以实现对文件的高效遍历、精准字段提取及自动生成Excel报表。
01技术背景与需求分析
该任务的核心需求是将文件夹内多个PDF电子行程单中的特定字段提取出来,并汇总到一个Excel表格中。目标提取字段包括:序号、车型、上车时间、城市、起点、终点、金额。原始文件可能包含大量非结构化文本和干扰信息,因此需要具备高精度的OCR识别能力和结构化数据清洗逻辑。
02痛点分析
在未引入自动化方案前,人工处理方式存在显著的效率瓶颈与操作风险,具体表现如下:
  • 操作繁琐,耗时耗力
    需逐个双击打开PDF文件,等待加载,并在PDF阅读器与Excel之间频繁切换窗口。面对上百个文件时,仅打开和切换过程就会消耗大量时间,属于典型的重复性机械劳动。
  • 数据提取易出错
    人工浏览时容易发生视觉遗漏,如将“小计”误认为“金额”,或混淆上下车时间。手动录入数字时,容易出现数字顺序颠倒(如38.5输成35.8)或小数点位置错误,导致财务对账不平。
  • 生理疲劳风险
    高频次的鼠标点击和键盘输入极易导致手指疲劳,长时间操作不仅效率下降,更增加了数据遗漏和录入错误的概率。
03核心实现逻辑
针对上述痛点,采用Python技术栈构建自动化解决方案。整体处理流程分为三个主要步骤:
  1. 遍历PDF文件夹
    使用Python的文件操作库扫描指定目录,获取所有待处理的PDF文件路径,为后续批量处理做准备。
  2. 调用PaddleOCR-VL识别并整合数据
    对遍历到的每一个PDF文档,调用PaddleOCR-VL模型进行光学字符识别。提取指定字段(如车型、时间、金额等),并将非结构化的识别结果整合为结构化的字典或列表数据。
  3. 数据写入Excel表格
    将提取并清洗后的结构化数据,通过Excel处理库(如openpyxl或pandas)写入指定路径的Excel文件中,实现数据的持久化存储。
04界面与代码实现
为了提升工具的易用性,使用PyQt6构建图形用户界面(GUI)。以下代码展示了工具的主窗口结构、样式设置及核心交互逻辑的实现细节。
1. 初始化与UI布局
程序通过继承QMainWindow类创建主窗口,使用QVBoxLayout和QHBoxLayout进行布局管理。界面包含API设置区域(配置API URL与Token)、文件设置区域(选择输入文件夹与输出文件路径)以及操作控制区域(开始处理按钮、进度条和日志显示)。通过setStyleSheet方法统一了界面风格,包括按钮颜色、字体大小和边框圆角等,确保视觉效果的专业性。
2. 文件路径设置与验证
通过browse_input_folder和browse_output_file方法调用QFileDialog,分别实现文件夹和保存路径的选择。在start_processing方法中,对用户输入的API信息、输入文件夹是否存在以及输出路径有效性进行严格校验,确保程序在合法参数下运行,避免运行时错误。
3. 核心处理与日志反馈
点击“开始处理”后,程序会记录当前的配置信息到日志窗口(QTextEdit)。虽然演示代码中移除了具体的业务处理逻辑,但在实际应用中,此处应调用PaddleOCR接口遍历处理PDF文件,并利用QProgressBar实时反馈处理进度。log方法通过追加带有时间戳的文本信息,让用户清晰掌握程序运行状态。
05实施效果
通过上述Python自动化脚本,能够将原本需要数小时甚至数天的人工手动操作,缩短至几分钟内完成。该方法成功实现了对滴滴、高德等不同格式PDF行程单的标准化字段提取,并自动生成包含“序号、车型、上车时间、城市、起点、终点、金额”等信息的Excel表格。这不仅消除了人工录入的数据误差,更将办公人员从繁琐的重复劳动中解放出来,显著提升了工作效率与数据处理准确性。

评论

评论区空态插画

当前文章无评论,是时候发表评论了