批量PDF图纸OCR识别与自动改名归档实践

一、业务背景：图纸归档为何成了“体力活”

在工程设计、装备制造、建筑施工等行业，一套装配图或施工图往往由几十上百张图纸组成，最终常被合并导出为一个多页 PDF 文件。一旦进入归档、发外包、交审计环节，三类问题会集中爆发：

1. 文件名失去语义。出图时若未规范命名，导出的文件常是“图纸001”“最终版2”这类占位名，真正有价值的图号、图名、版本号都藏在每页图纸右下角的标题栏里，从文件名上完全无法判断内容。
2. 图片型 PDF 无法检索。扫描仪扫描或 CAD 光栅化导出的 PDF 本质是图像集合，没有文字层，通用阅读器的全文搜索彻底失效，想找某张图只能挨个打开肉眼确认。
3. 规模放大人力成本。几张图手工改名尚可忍受，几千张图纸逐张抄录图号再重命名，耗费的不只是一下午，还伴随抄错、漏抄、命名不一致等质量风险。

解决思路并不复杂：让程序代替人完成“打开图纸—看标题栏—抄图号—改文件名—记台账”这一重复动作，即构建一条批量拆分 → 区域定位 → OCR 识别 → 自动改名 → 导出表格的自动化流水线。本文按此主线展开方案设计与落地要点。

二、总体流水线设计

整条流水线可拆为五个阶段，各阶段职责单一、可独立校验：

阶段	输入	输出	关键点
1. PDF 拆分	多页图纸 PDF	单页文件集合	一图一文件，保留来源页码索引
2. 模板定义	标准样图	区域坐标模板	归一化坐标，同幅面复用
3. OCR 识别	单页图像 + 模板	各字段文本 + 置信度	预处理提升识别率
4. 校验改名	识别结果	规范命名的文件	正则校验、冲突检测
5. 导出表格	全部记录	台账表格文件	保留新旧文件名映射

先拆分再识别，是保证结果不串页的前提；先定义模板再批量识别，是保证字段稳定提取的关键。

三、关键技术环节详解

1. 多页 PDF 拆分为单页

一套图合并在一个 PDF 里时，必须先按页拆开，让“一张图纸 = 一个文件”，后续识别、改名、归档才能建立一一对应关系。拆分时建议：

• 命名带上溯源信息：如“原文件名_页码”的形式，即使识别失败也能追溯到源文件；
• 同步维护索引表：记录“源 PDF—页码—拆分后文件”的映射，改名环节出问题时可整体回滚；
• 拆分粒度对齐图纸：若存在“一张图纸占两页”或“一页含两张小图”的情况，需在拆分或模板阶段额外处理，避免识别对象与物理图纸不对齐。

2. 标题栏区域模板化

图纸标题栏位置固定是本方案可行的基础。做法是取一张标准样图，用矩形框出图号、图名等字段所在区域，并为每个框命名（如“图号”），保存为区域模板。两个工程细节决定模板的复用性：

• 坐标归一化。不要记录像素坐标，而是记录相对页面宽高的比例坐标（0～1）。同一幅面的图纸经不同设备扫描后分辨率不同，比例坐标才能跨文件复用。
• 按幅面建多模板。A0 到 A4 幅面的标题栏布局不同，应为每种幅面保存独立模板；批量处理时按页面长宽比或尺寸自动匹配模板，混合幅面的文件夹也能一次跑完。

3. 图像预处理与 OCR 识别

图片型 PDF 需先栅格化为图像再送 OCR，识别质量在这一步就基本定型：

• 渲染分辨率：一般建议 300 DPI 左右。过低笔画断裂，过高则文件大、速度慢，收益递减；
• 预处理：对扫描件做灰度化、二值化、去噪，对歪斜扫描做倾斜校正，对盖章遮挡区域可尝试局部增强；
• 识别范围最小化：只对模板框出的区域裁剪识别，而非整页 OCR。范围小意味着干扰少、速度快、字段对位准确。

识别能力上既可以集成本地离线 OCR 引擎，也可以调用云端接口（例如百度智能云等云厂商提供的通用文字识别服务）。若图纸涉密或对网络敏感，应优先本地化部署；若使用云端服务，需评估合规要求并做好数据脱敏。

4. 识别结果校验与后处理

OCR 不可能百分百准确，必须用规则兜底：

• 格式校验：图号通常有固定字符集与长度（如字母数字加连字符），可用正则表达式校验，不符合规则的判定为可疑结果；
• 置信度阈值：低于阈值（如 0.85）的结果不直接用于改名，而是进入人工复核清单，避免错名文件污染档案库；
• 字符规范化：全角半角统一，常见混淆字符（O/0、I/1）按业务规则纠正或标记。

5. 批量重命名与表格导出

改名环节的要点是安全：

• 非法字符替换：文件名中不允许的符号需替换或剔除；
• 冲突检测：目标名已存在时追加序号或页码，绝不静默覆盖；
• 保留映射表：新旧文件名一一对应写入台账，任何时候可反查。

台账表格建议至少包含：原文件名、源页码、新文件名、图号、图名、各字段置信度、处理状态（成功/待复核/失败）。这份表格既是交付物，也是审计与追溯的依据。

四、示意性代码

以下伪代码抽象了核心流水线，函数为通用语义，具体实现可选用任意 PDF 解析库与 OCR 引擎组合：

TEMPLATE = {
    "图号": (0.72, 0.90, 0.98, 0.98),   # 归一化区域 (x0, y0, x1, y1)
    "图名": (0.40, 0.90, 0.72, 0.98),
}
FIELD_RULES = {"图号": r"^[A-Z0-9\-]{6,20}$"}   # 图号格式校验规则
rows = []
for pdf_path in list_pdfs(input_dir):
    for page in split_pdf(pdf_path):              # 1. 按页拆分
        img = render_to_image(page, dpi=300)      # 2. 栅格化
        values, confs = {}, {}
        for field, box in TEMPLATE.items():       # 3. 区域裁剪 + OCR
            crop = crop_by_ratio(img, box)
            values[field], confs[field] = ocr(crop)
            values[field] = normalize(values[field],
                                      FIELD_RULES[field])
        if min(confs.values()) < 0.85:            # 4. 低置信度转人工
            mark_for_review(page, values)
            continue
        new_name = build_filename(values, page.index)
        safe_rename(page, new_name)               # 5. 冲突检测后改名
        rows.append({"src": page.origin, "new": new_name,
                     "图号": values["图号"], "conf": confs["图号"]})
export_table(rows, "图纸台账.xlsx")               # 6. 导出台账

五、工程化落地要点

• 模板资产化管理：模板按“幅面 + 图框版本”归档，图纸改版后新增模板而非覆盖，历史批次可复现；
• 断点续跑与幂等：几千张图的批量任务可能中断，处理记录需落盘，重跑时跳过已完成文件；
• 日志与抽样质检：全量日志加按比例抽样人工比对，持续校准预处理参数与阈值；
• 数据安全优先：图纸常含核心设计资产，离线方案优先；确需调用云端识别接口时，确认服务商的数据处理协议，必要时对非关键字区域做遮蔽。

六、常见问题与规避

现象	成因	对策
图号识别错个别字符	扫描质量差、字体特殊	提高 DPI、二值化调参、正则兜底转人工
模板框不准	混入不同幅面图纸	按页面尺寸自动匹配多模板
改名后部分文件重名	不同图纸图号确实相同	冲突检测后追加页码或序号
整页识别字段错位	未做区域限定	严格按模板裁剪，不做整页 OCR

七、总结

图片型 PDF 图纸的归档难题，本质是“非结构化数据缺少可检索标识”的问题。以“拆分—模板化区域 OCR—校验—改名—导出表格”为主线的自动化流水线，用较小的工程成本即可把人工数天的重复劳动压缩为一次批量任务，同时以台账表格沉淀出可审计的结构化数据。对于图纸体量大的设计与制造团队，这套方案值得作为数据治理的基础设施尽早落地。