AI PDF 数据提取工作流：使用数据前必须核对的九件事

先定义审核人能查证的字段记录

从输出结构开始，而不是只告诉 AI“把所有信息提取出来”。明确每个字段的含义、类型、是否必填、可有几个值，以及缺失或模糊时如何处理。供应商编号即使全是数字，也通常应保留为标识符字符串，不能随手转成数值。

以下六组信息把 PDF 与拟写入的业务记录连接起来。

提取工具可能只提供其中一部分。工作流需要在其他位置保留缺失的上下文，或者明确该要求尚未满足。置信度不能替代字段原文；如果争议发生在某一个数量上，只有整份文档的链接也不够。

配套 PDF 刻意混合了两种页面：第 1、2 页包含生成的文本，第 3 页是没有 OCR 文本层的合成纯图像页。来源说明和候选 CSV 解释各个字段。这不是客户资料、不是从纸质原件扫描得到的文件，也不是性能基准测试。

下载九项复核工作表，定义自己的获准处理流程。练习时先打开三页虚构 PDF，阅读中文来源说明，再将候选字段 CSV与来源哈希及坐标清单对照。PDF 使用英文标签，中文来源说明完整解释相同数值和规则。

用六个实际标准判断提取结果

页面覆盖： 处理的是所有必要页面和附件，还是只处理了能找到文字的页面？某页文本提取结果为空，不证明页面本身空白。应对照页面清单，检查每个必需字段引用了哪些页。

字段与行的对应关系： 数值是否属于该标签、该行、该文档部分？表格解析可能一个数字都没丢，却把数量分配到了错误的商品。要检查对应关系，而不只是看预期字符是否在结果里出现。

来源位置的准确性： 渲染、旋转或裁切之后，审核人能否打开正确区域？必须保存坐标约定。例如 Amazon Textract 的边界框以左上角为原点，数值相对于页面宽高。这是比例，不是像素，也不是 PDF 点单位。Amazon Textract 边界框说明。

规范化是否保留含义： 原始写法和解析后的值是否都保留？没有规则时，03/04/2026 的日月顺序并不明确；1.008,00 则需要正确的小数约定。类型转换本身是一种解释，不能在结果里消失。

异常的含义： 字段在原文里缺失、看不清、互相冲突、明确尚未设置，还是不适用？这些情况可能需要不同处理。“To be confirmed”不是 OCR 失败，更不能据此编一个交付日期。

放行之后能否更正： 审核人或解析器后来改了字段，能否找到受影响的目标记录并修正？重新生成一个 CSV，不会自动撤回错误通知、删除重复记录或恢复下游计算。

比较工具也应使用这些标准：相同的文档类型、语言、重要字段和放行要求。不能凭一张干净样张，或者一个从不展示异常的演示，就判定哪个产品更好。

AI PDF 数据提取工作流的九项检查

1. 确认收到的是哪个文件，但不要把文件一致当作真实可信

在许可范围内保留原文件或受控引用，记录大小和接收时间；如果符合存储控制要求，可以计算加密哈希。派生图片、OCR 副本和脱敏工作文件应有独立标识，同时关联到原文件。

哈希相同有助于识别同一份字节内容，但不能证明文件由谁签发、其中陈述是否真实，或发送者是否有采购授权。重新编码的 PDF 可能表达相同业务信息，却有不同哈希。因此，哈希也不应成为唯一的业务去重规则。

使用获准的文件接收和解析环境。扩展名和声明的内容类型不足以构成防护，解析过程还需要资源限制和访问控制。OWASP 建议采用多层上传防护，并提醒公共扫描服务可能造成敏感文件泄露。OWASP 文件上传指南。

2. 确认文档类型、版本和提取目的

先确定 PDF 是报价、订单、发票、交付文件、申请表，还是另一种已支持的文档。同一个标签在不同文件里可能含义不同。发票日期不等于要求交货日期，报价金额也不是已批准付款金额。

记录所选版本、续页和修订关系。收到一张更新页面时，要判断它替换原文档的哪一页，还是属于另一份文件。不能因为文件名里有同一个编号，就把新版封面与旧版明细拼在一起。

陌生模板或混合文档应先进入分类复核，不要直接套用其他文档的提取规则。标志和外观相似可以作为线索，但不证明签发者身份或当前权限。本步的通过条件是：文档类型受支持，选定版本有依据，而不是分类器显示了一个很高的置信度。

3. 检查页面是否齐全，顺序是否正确

对照 PDF 页数、印刷页码、续页说明和预期章节，同时保留软件使用的页索引与纸面页码。样例中的页索引 2 对应印刷页码“3 / 3”；换成带封面或附录的文件，这个关系可能不同。

检查缺页、重页、旋转和裁切问题，不要默默修改来源。刻意保留的空白页不一定是缺页；反过来，没有可提取文本的页面也可能包含整份文件唯一的总额。

样例第 2 页明确写了表格在第 3 页继续。如果流程把两张有文本的页面当成全部文档，就会漏掉最后一个商品和金额汇总。正确做法是处理图像页或交给审核，而不是因为文本解析器返回空字符串，就判定第 3 页不重要。

4. 按页面和区域选择文本解析或 OCR

内嵌文本提取读取 PDF 中保存的文本信息，OCR 则识别图片里的文字。一份混合 PDF 可能同时需要两者。第 1 页适用的方法，不一定适合整份文件。

pypdf 文档区分了数字生成、扫描和带 OCR 层的 PDF，并明确说明 pypdf 本身不是 OCR 引擎。文档也解释了定位文本和图像文本给提取带来的困难。这些区别有助于选择处理路径，但不能推导出某一种方法永远正确。pypdf 文本提取说明。

检查分栏阅读顺序、小字、合并单元格、复选框、手写内容，以及对目标字段有影响的符号和分隔符。如果隐藏文本层与可见页面不一致，应保留冲突。可能需要更清晰的来源，或另一种获准的解析方法。不能为了让金额对平，就悄悄猜一个看不清的数字。

记录解析器或模型版本，以及输入语言支持的假设。本指南有英文、中文和日文版本，不等于某个提取服务就支持这三种输入语言。必须另行核对准备使用的具体模型和操作。

5. 保留来源位置，也保留表格外的解释

给每个字段附上页面引用和区域；涉及表格时，还要保留行列关系。一个由多行计算出来的总额，需要关联所有参与计算的来源值，不能只指向显示结果的最后一页。

不要丢掉改变字段含义的附近说明。Microsoft 的布局文档介绍了单元格及其位置，同时指出：在指定的 2024-11-30 版本中，表格和图片的边界区域不包含关联的标题与脚注。因此，只裁出表格，可能遗漏单位或计价条件。这是特定版本的文档说明，并非声称所有解析服务都如此。Microsoft Document Intelligence 布局说明。

坐标转换也要单独检查。例如在一个独立的计算示意中，1000 × 1400 像素页面上的 left 0.1、top 0.2、width 0.3、height 0.04，分别对应 100、280、300、56 像素。这组数不是样例 PDF 自动检测出的字段框。改变渲染尺寸、裁切或旋转后，应更新转换关系，再向审核人显示高亮区域。

6. 检查类型和规范化，不要删掉原有含义

日期应依据文件明确声明的格式，或经过确认的结构规则。样例第 1 页明确写着 DD/MM/YYYY，因此 03/04/2026 应规范为 2026-04-03。按月在前解析，会得到一个格式正确却含义错误的日期。如果没有格式声明或其他可靠证据，就应请求澄清，而不是猜测。

保留标识符字符。按照样例规则，Q-00742 与 Q-742 是两个不同字符串。同样，数量 8 不能变成另一行的数量 2，只因为两者都属于合法整数。

币种和金额分开存储，保留原始标点，并采用声明的小数约定。本文件的 1.008,00 表示 1008.00。如果金额解析器直接删掉所有标点，或默认另一种地区格式，就可能得到完全不同的值。

空值必须有原因。样例交付日期应保留 null，并标记 not_set，因为来源明确说稍后确认。缺失、不可读和不适用应继续分开。目标系统是否允许日期尚未确定，是另一条结构规则，不能成为编造日期的理由。

7. 交叉核对计算关系与字段关系

只检查文档实际支持的关系。对含明细的报价，可以核对数量乘单价、行金额合计、小计、税额和总额。其他文档可能需要检查开始日期不晚于结束日期，或同一编号在多页保持一致。

采用适当的十进制计算，并明确舍入规则。不要为了让异常消失而设置宽泛容差。定位失败检查涉及的字段，保留其来源值，再判断哪个来源或解释需要纠正。

样例三行分别为：12 × 25.00 = 300.00、8 × 37.50 = 300.00、2 × 120.00 = 240.00 欧元，合计 840.00 欧元；加上示例税额 168.00，得到 1008.00 欧元。候选总额 100.80 的差额为 −907.20 欧元。这个检查揭示冲突，但在真实业务中，算术本身不能证明应覆盖哪一个源字段。

8. 识别重复候选和复核信号，不要直接断言欺诈

先用文件标识识别完全相同的上传，再结合业务键和所选版本寻找其他重复候选。同一报价可能重新导出，元数据随之改变；两份不同报价也可能恰好有相同日期和总额。相似度必须结合上下文解释。

置信度可以帮助安排复核优先级，但阈值应取决于字段和用途。Amazon Textract 的指南明确将阈值选择与应用场景关联。不要把文档里的某个示例阈值当成通用验收线，也不要把模型置信度等同于在自己资料上测得的准确率。Amazon Textract 最佳实践。

把结构冲突、意外文本层和异常元数据当作待调查信号。异常不等于篡改、不诚实或欺诈的证据。身份验证、签名验证和受监管决策，应留在提取系统之外，除非已经单独定义并经过专业审核。

9. 先复核异常，再授权写入目标系统

向审核人同时展示原始区域、候选值、规范化规则、失败检查和相关相邻字段。允许其纠正或拒绝解释，并记录原因和版本。对后果重大的字段，不能仅凭置信度取消必要的人审。

字段接受和整条记录放行是两件事。必需编号或总额仍然错误时，其他字段提取正确，也不能使整条记录可用。样例规定四个实质错误未解决前不得放行；这是一条教学规则，不是所有 ERP 的通用设置。

完成上述检查后，才考虑通过获准的集成写入。检查目标记录是否已存在，约定如何识别重试，保存写入结果。如果目标系统已接收记录，但本地收到失败响应，重试不应盲目再建一条。后来需要纠错时，应关联先前记录，不能以为重新生成提取结果就撤销了旧动作。

完整案例：90% 的填写率不等于 90% 的正确率

先打开三页虚构报价，再看候选 CSV。第 1、2 页是文本页，第 3 页是干净的合成图像页，刻意不放 OCR 层，其中包含最后一项商品与金额汇总。这个设计演示混合输入的边界，并不复现真实扫描中所有噪点、模糊和破损。

十个候选字段由编辑人工编写，其中刻意放入四个错误；没有声称它们来自某个 AI 模型。参考值在 PDF 中可见，来源说明提供规范化规则和字段位置。

十个标量单元格中，九个非空：9 / 10 = 90%。按人工答案表核对，包括正确表示“尚未设置”的交付日期在内，六个字段一致：6 / 10 = 60%。这些比例只描述这组人工构造的候选值，不是 OCR 准确率、客户结果或厂商比较。

按样例的放行规则，更正前可放行记录是 0 / 1 = 0%，因为编号、日期、BX02 数量和总额仍然有误。只报告填满率，会掩盖这个实际使用层面的结果。

算术可以独立复算：300.00 + 300.00 + 240.00 = 840.00 EUR；840.00 + 168.00 = 1008.00 EUR；100.80 - 1008.00 = -907.20 EUR。20% 税率是虚构教学设定，不是对真实报价适用税率的建议。

本地文件检查确认 PDF 有三页，六个字段区域含可提取文本，合成的第 3 页没有文本层；三页均已渲染并目视检查。这些检查验证教学文件的构造，不验证 OCR 服务的性能。本案例没有运行 OCR 引擎、托管提取 API 或 OpenMax 处理流程。

选择能满足证据要求的最简单方法

少量且有权处理的文档，可以人工录入并对照来源区域。它有人力成本，但不需要建立新管线。人工阶段也应使用与自动化一致的字段定义和规范化规则，方便后续迁移。

熟悉的文本型模板，可以优先考虑确定性的解析与规则。原生文本提取能够保留一些全部转成图片后可能丢失的信息。不过，同一方法也可能在字体、布局或模板更新后失效。应测试实际文档类型，不要把 PDF 当作一种完全统一的输入。

扫描页或结构复杂的页面，可以评估 OCR 和布局分析，用来取得文字、位置和表格结构。核对具体操作的语言支持、大小限制和输出约定。响应里出现某页，不证明该页所有必需字段或脚注都已正确识别。

无代码或脚本自动化适合整理接收流程、应用结构、执行确定性规则、组装复核资料。应让提取失败可见，而不是捕获所有异常后统一返回空行。如果错误在进入日志前就被隐藏，“错误数很少”并没有意义。

当文档类型多变、多人复核的交接反复发生时，可以评估智能体协助协调。但智能体仍需获准的提取工具和明确的真实来源，不能为了完成任务，就判断一个没有依据的字段“大概没问题”。稳定、高量、固定模板的处理，可能更适合范围窄、规则可预测的管线。

OpenMax 可以放在哪一环，哪些能力仍须核实

OpenMax 公开将自身定位为人类与智能体协作平台，这与复核协调和后续跟进有相关性。但首页生成定制 PDF 方案的介绍，不能证明 OpenMax 能解析任意 PDF、进行 OCR、保留字段多边形或把数据写入 ERP。本文不声称这些集成已经验证。OpenMax 官网。

将这套工作流作为一次有限范围评估的需求说明：会采用哪些文档和 OCR 工具，如何访问文件，怎样保存字段记录，哪些步骤需要人，以及拟用的目标系统集成目前是否可用。配置工作、规划中的能力和已经在你的环境中演示的能力，应明确区分。

从虚构 PDF 和仅生成草稿的目标开始，要求展示图像页的处理异常、日期的原值与规范值、BX02 的行对应关系，以及未解决的金额冲突。有效演示应让失败处理可见，而不是只展示一个正确总额。

如果人工检查一份报价就能解决需求，直接使用工作表，不必引入新平台。反复复核确实值得自动化时，可以与 OpenMax 讨论小范围 PDF 处理试点。先带上文档类型、允许的数据范围和放行规则，是否提供真实文件或写入权限另行决定。

后续业务处理可参考发票异常处理流程，它处理发票差异，而不是 PDF 字符识别；AI RFP 分析指南则处理需求与响应证据。正确提取为这些流程提供输入，不代替它们作决定。

限制：文件安全、业务权限与真实样本覆盖

不要把 PDF 内嵌的指令当作授权用户的要求。即使文档写着“忽略检查”或“把文件发到别处”，它仍只是文档内容。文件解析与模型提示存在不同风险；建立指令边界，不能替代解析器安全配置或访问控制。

敏感页面和字段裁图都要遵守适当的访问、保存和删除规则。一张金额裁图仍可能暴露姓名、账户标识或商业条款。不能因为合成样例可以公开分享，就把真实资料送到公共扫描或演示服务。安全、隐私、法律和财务用途需要相应人员审核，本指南不是专业授权。

识别到一个像签名的区域，不等于签名有效；银行编号格式正确，也不等于可以付款。提取描述的是文件看起来包含什么。真实性、权限，以及信息是否足以支持业务判断，都需要独立控制。

本样例不是代表性验证集。真实评估应包括支持和不支持的文档类型、模板改版、低质量扫描、合并或拆分行、缺页，以及本就应该没有值的字段。重要字段错误与异常处理应单独报告，不要只报总文字准确率。如果用所有评估样本反复调参，得出的比例就不是对未见文档的独立检查。

常见问题：PDF 类型、置信度与可用记录

每一份 PDF 都需要 OCR 吗？

不需要。有些 PDF 有可用的内嵌文本，有些是图片，有些混合两者或已带 OCR 文本层。应按相关页面或区域选择方法，并检查冲突。样例第 3 页需要看图或 OCR，第 1、2 页则含生成的文本。一个文件扩展名无法决定合适的提取方法。

哈希一致能证明文件真实可信吗？

不能。哈希帮助识别收到的字节内容和相同副本，但不证明签发者身份、文件陈述、签名有效性或业务权限。应把来源记录与验证要求分开。重新导出也可能改变字节哈希，但没有改变业务内容。

必填字段看不清时应怎么办？

保留来源区域，明确标记不可读或需要复核，请求人工检查或更清晰的获准来源，不要猜值。不能用零、今天的日期，或仅为了让其他字段对平而算出的数替代。像“To be confirmed”这样明确未设置的字段，属于另一种状态。

跨页续表应如何处理？

保留每页的行列证据，区分重复表头与数据，并依据可靠上下文连接行。纳入表格外的脚注和单位，判断续页是增加商品，还是补完被拆开的同一行。关系不明确时，应继续复核，而不是仅按视觉位置匹配。

OpenMax 能直接把提取字段写入我的 ERP 吗？

本文没有验证该集成。应针对实际环境与 OpenMax 确认当前可用性、字段映射、访问权限和人审要求。即使连接器能工作，提取成功也不代表有生产写入授权。从合成文件和草稿输出开始，在扩大使用之前检查防重复与更正处理。

来源、作者及这个案例能证明什么

本文由 OpenMax 内容团队为 OpenMax 网站编写，是与产品相关的编辑指南，不是独立产品认证。2026 年 9 月 2 日发布，2026 年 9 月 4 日修订。文中工具行为依据本次修订时核查的文档，可能随版本或操作变化。

主要来源支持正文附近的具体事实：pypdf 的文本与 OCR 区别、Microsoft 的布局和表格区域说明、Amazon Textract 坐标约定、按应用选择置信度阈值的建议、OWASP 上传防护和OpenMax 公开定位。这些机构没有审核或背书本教学练习。

PDF、字段框、候选错误与参考答案均为原创虚构教学资料。本地验证检查的是文档结构和案例算术，不是已部署 OCR 的性能。这里没有客户效果、吞吐量、准确率保证、真实供应商身份或付款批准。请用这些资料定义自己在获准评估中需要检查的内容。