批量PDF图纸智能拆分与OCR改名归档方案

一、问题背景：图纸归档的真正瓶颈在哪里

在设计与工程制造场景中，出图完成并不等于工作结束，真正的成本往往发生在归档环节。典型情况是：一套装配图被导出为单个多页 PDF，文件名多为“图纸001.pdf”“最终版2.pdf”这类无语义命名；而真正标识图纸身份的图号、图名、版本、幅面等信息，全部印刷在每页右下角或固定位置的标题栏内。

更麻烦的是，从 CAD 导出的 PDF 常常是图片型（扫描或栅格化输出），文本层缺失，常规 PDF 阅读器的全文搜索无法命中标题栏文字。于是出现三重困境：

1. 内容不可检索：图片型 PDF 无文本层，全文检索形同虚设；
2. 命名无依据：普通批量改名工具只能基于原文件名、序号、时间戳做规则替换，无法读取图号；
3. 人工成本高：几千张图纸若逐页打开、肉眼读取标题栏、手工抄录再改名，一个下午只能处理少量批次，且极易出错。

因此，可行的技术路线只有一条：先拆页消除串页风险，再对标题栏固定区域做局部 OCR，最后以识别结果驱动批量重命名与台账导出。本文围绕这条主线，给出一套可复用的工程化实践方案。

二、方案总体流程

整个流水线可抽象为四个阶段，形成“一次配置、批量执行”的模式：

多页PDF → [拆分为单页] → [标题栏区域模板] → [批量区域OCR] → [重命名 + 表格导出]

关键设计思想是区域约束：不追求对整页做全文识别，而是把 OCR 的作用范围限制在标题栏内图号所在的小矩形区域。这一约束带来三个直接收益：识别准确率显著提升（印刷体、字号稳定、背景干净）、避免误抓图框内其他字段（如日期、比例、材料标记）、以及识别结果与字段名一一对应，便于结构化输出。

三、分步实施要点

3.1 第一步：多页 PDF 拆分为单页

一套图纸常以多页合订形式流转，若直接整本识别，识别结果会按页混杂，命名时无法判断某一识别值属于哪一页，造成“串页”。因此第一步必须按页拆分，做到“一页一文件”。

工程上需注意：

• 拆分后建议保留原页码信息（如 原文件名_p0001.pdf），便于回溯与排序；
• 拆分产物应输出到独立目录，避免与源文件混放；
• 对页数极多的批次，拆分本身是 I/O 密集型操作，建议先小批量验证再全量执行。

3.2 第二步：框选标题栏并建立区域模板

这是整个方案的核心配置环节。操作方式为：拖入一张标准图纸作为样本，在预览界面上用鼠标框出图号所在区域，并为该区域指定字段名（如“图号”）。由于同一批次图纸通常遵循统一图幅与统一标题栏版式，框选一次即可保存为模板，同批次复用。

需要强调的是模板的适用边界：

• 同幅面、同版式才可复用同一模板。A3 与 A4、或不同设计院模板混排时，应分别建立模板；
• 模板本质是一组归一化坐标（相对页面宽高的比例），而非绝对像素，这样在分辨率不同的 PDF 上仍能保持位置一致；
• 若标题栏存在左右两种布局（如装订边不同），需建立两套模板并按规则匹配。

3.3 第三步：批量区域识别与结构化输出

导入整个图纸文件夹后，选择“区域识别 + 重命名 + 导出表格”的组合动作，系统会逐文件执行：加载页面 → 按模板裁剪标题栏区域 → OCR 识别 → 与字段名绑定 → 生成新文件名 → 写入台账表格。

此阶段的价值在于一次识别、两处产出：既完成文件重命名，又同步生成可检索的 Excel 台账（图号、原文件名、新文件名、识别状态等）。台账的意义常被低估——它是后续审计、外包交付清单核对、以及识别失败复查的唯一索引。

3.4 第四步：结果校验与失败处理

批量任务的风险在于“静默错误”。因此必须依赖运行日志做闭环：日志应逐条记录每个文件的识别结果与状态，跑完后优先筛选失败或低置信度条目，仅对这部分人工复核，而不是全量翻查。

推荐的校验策略：

1. 试跑：全量前先取 2～3 张代表性图纸试框，确认坐标与字段对应正确；
2. 抽样：批量完成后随机抽取一定比例核对新文件名与标题栏是否一致；
3. 异常清单：将识别为空、字符数异常、含非法文件名字符的条目单独列出处理。

四、关键工程细节与最佳实践

4.1 命名规范化

识别出的图号直接作为文件名前，需做清洗：去除空格与非法字符（\ / : * ? " < > |）、统一大小写与分隔符、必要时拼接图名或版本号。建议制定固定命名模板，例如：

{图号}_{图名}_{版本}.pdf

并在批处理前用少量样本验证模板输出是否符合归档规范。

4.2 识别稳健性

区域 OCR 相比全文识别更稳，但仍受以下因素影响：扫描倾斜、印章遮挡、字号过小、标题栏线条干扰。应对措施包括：优先使用清晰度高的原始导出件而非多次复印扫描件；框选区域略大于文字实际范围但不要包含相邻字段；对倾斜页面先做纠偏预处理。

4.3 坐标模板的版本管理

模板是“配置资产”，应纳入版本管理：记录模板对应的图幅、版式来源、建立时间与适用批次。当设计模板更新导致标题栏移位时，及时新建模板而不是微调旧模板，避免历史批次复用时坐标漂移。

4.4 批处理的可观测性

大批量任务应关注吞吐与稳定性：拆分与识别可分阶段执行，便于中断续跑；输出目录按批次隔离；台账文件带时间戳，避免覆盖。对数千张量级的批次，建议分卷处理（如每 500 张一批），降低单次失败的重跑成本。

五、适用场景与边界

该方案适用于：图号位置固定、印刷体清晰、版式统一的图纸批量归档；设计成果对外包交付时的清单化命名；审计与档案交接时的台账生成。

不适用于：手写标注为主的图纸、标题栏版式每页随机变化、或图号本身缺失需人工判定的场景。对这类情况，区域 OCR 只能作为辅助，仍需人工介入。

六、小结

图纸归档的痛点不在“改名”本身，而在“图号不可机读”。本文方案的实质是把非结构化的标题栏图像，通过固定区域裁剪 + 局部 OCR转化为结构化字段，再由字段驱动重命名与台账生成。流程四步——拆页、框区、套模板、跑批——每一步都对应一个明确的工程风险控制点：拆页防串页、框区防误抓、模板保一致、日志保可查。按此方法实施，可将原本以“下午”为单位的人工归档工作，压缩为一次配置后的批量自动执行，并把人工投入集中到少量异常样本的复核上。