作者：克林

背景

在帮客户解决pdf提取问题过程中，客户的pdf有90%左右都是有涂改的，因此不能跳过整张png，客户的需求是有涂改的就显示异常值。

我发现有涂改的pdf提取根本做不了，涂了后很可能把隔壁的字段黏在一起。如图：

图中可能会识别成：11，汉字（为，x等）两个字段，也可能是1，1，汉字（为，x等）三个字段。尝试过ocr+正则，提取不了，都是数字，顺序也是乱序。后面又尝试过表格识别，但是容易黏上隔壁的字段，造成字段偏移（多一个字段少一个字段），或者字段值错误。

方法

采用先截图后识别的方法。先单独把红色区域的地方单独截图成png，再去用ocr表格识别，可极大的提高识别的通过率。

效果

尝试提取10页，提取出来6页，有些除了异常值之外的数据也是错的，但是相比业务同事手动去完全登记已经方便很多了，只需要看看当前页有没有问题，有问题就修改几处，而不是从一个空白的表格去一个个字段登记，相当于预填。

最后附上沐春大神的图片区域截图方法：

https://www.yingdao.com/community/detaildiscuss?id=3b6f8196-c8f5-441f-9055-91e4acdcbc0f

思路：通过某些文字的坐标+图片裁剪指令，算出要截取的长度和宽度和起始位置，就能实现图片的任意区域截图了，不一定要用在这个方案上。