🎁 Get the FREE AI Skills Starter Guide — Subscribe →
BytesAgainBytesAgain
BytesAgain › Skills › PDF Catalog
🦀 ClawHub

PDF Catalog

by @cjboy007

从 PDF 产品目录（模具图纸）中自动提取产品信息，生成结构化知识库和 Excel 填充数据。

Versionv1.0.0
Downloads350
#data#legal
TERMINAL
clawhub install ssa-pdf-catalog

📖 About This Skill

name: pdf-product-catalog description: 从 PDF 产品目录（模具图纸）中自动提取产品信息，生成结构化知识库和 Excel 填充数据。

PDF 产品目录提取 Skill

> 技能名称： pdf-product-catalog > 版本： 1.0 > 日期： 2026-03-23 > 作者： IRON 💪

📋 技能描述

从 PDF 产品目录（模具图纸）中自动提取产品信息，生成结构化知识库和 Excel 填充数据。

适用场景：

  • 产品目录 PDF 批量处理
  • 模具图纸信息提取
  • 产品知识库建立
  • Excel 产品数据填充

    • 🎯 核心功能

    1. PDF 文本提取 — pdftotext（矢量图）+ Docling OCR（图片格式 fallback） 2. 关键信息识别 — 模具号、包装规范、客户品名、长度 3. 错误排除 — 识别并排除包装规范（BJ0599-XXXX）误认为模具号 4. 知识库生成 — Markdown 词条 + JSON 结构化数据 5. Excel 填充 — 自动填充 SKU→模具号映射

    📁 文件结构

    pdf-product-catalog/
├── SKILL.md              # 技能说明（本文件）
├── scripts/
│   └── extract.py        # 主提取脚本
├── examples/
│   ├── sample_input.json # 输入示例
│   └── sample_output.md  # 输出示例
└── output/               # 输出目录（运行时生成）

    🔧 使用方法

    1️⃣ 基础用法

    python3 skills/pdf-product-catalog/scripts/extract.py \
  --pdf-dir "/path/to/pdf/files" \
  --output-dir "/path/to/output"

    2️⃣ 完整参数

    python3 scripts/extract.py \
  --pdf-dir "/path/to/pdfs" \
  --output-dir "/path/to/output" \
  --excel-path "/path/to/excel.xlsx" \
  --ocr-threshold 300 \
  --verbose

    3️⃣ 参数说明

    | 参数 | 必需 | 说明 | 默认值 | |------|------|------|--------| | --pdf-dir | ✅ | PDF 文件目录 | - | | --output-dir | ✅ | 输出目录 | - | | --excel-path | ❌ | Excel 文件路径（用于填充） | None | | --ocr-threshold | ❌ | 文本少于多少字符时启用 OCR | 300 | | --verbose | ❌ | 详细输出模式 | False |

    📊 提取流程

    Step 1: PDF 文本提取

    # 优先使用 pdftotext（矢量图 PDF 准确快速）
result = subprocess.run(['pdftotext', pdf_path, '-'], capture_output=True, text=True)
    如果文本太短（<300 字符），启用 OCR fallback
    
if len(text) < ocr_threshold:
    # 转图片 + Docling OCR
    subprocess.run(['pdftoppm', '-png', '-r', '300', pdf_path, img_path])
    ocr_result = converter.convert(img_path)
    text = ocr_result.document.export_to_markdown()

    Step 2: 关键信息提取

    # 1. 模具号 (MODEL NO.) - 优先级最高
model_match = re.search(r'MODEL\s+NO\.?\s*[:\|\s\n]*([A-Z]{2,}-\d+[A-Z]?)', text, re.IGNORECASE)
    2. 包装规范 (Package No.) - BJ0599-XXXX 格式
    
pkg_matches = re.findall(r'(BJ0599-\d{4})', text)
    3. 客户品名 (CUSTOMER ITEM)
    
ci_match = re.search(r'CUSTOMER ITEM\s*\n([A-Za-z0-9\-]+)', text, re.IGNORECASE)
    4. 长度 (LENGTH)
    
length_matches = re.findall(r'(\d{2,4})\s*\+\d*\s*-\d*\s*(mm)?', text)

    Step 3: 错误排除规则

    # ❌ 排除规则 1: BJ0599-XXXX 是包装规范，不是模具号
if model_no.startswith('BJ0599-'):
    model_no = None  # 重新提取
    ❌ 排除规则 2: 客户品名不是模具号
    
if customer_item == model_no:
    # 可能模具号在图片中，需要 OCR 重新提取
    model_no = extract_with_ocr()
    ❌ 排除规则 3: 太短的字符串不是模具号
    
if len(model_no) < 5:
    model_no = None  # 如 "TP" 需要人工确认

    Step 4: 知识库生成

    # Markdown 词条
product_md = f"""# {pdf_file} 产品类目词条
    基础信息
    

  • 模具号 (MODEL NO.): {model_no}
    • 

  • 包装规范: {', '.join(package_specs)}
    • 

  • 客户品名: {', '.join(customer_items)}
    • 

  • 长度: {', '.join(lengths)}
    • 产品类目
    
（详细产品信息...）
"""
    JSON 数据
    
product_json = {
    'pdf_file': pdf_file,
    'model_no': model_no,
    'package_specs': package_specs,
    'customer_items': customer_items,
    'lengths': lengths,
    'products': [...]
}

    Step 5: Excel 填充

    # 建立 SKU→模具号映射
sku_to_model = {}
for product in products:
    for item in product['customer_items']:
        sku_to_model[item] = product['model_no']
    填充 Excel
    
for row in ws.iter_rows(min_row=4):
    sku = row[3].value
    if sku in sku_to_model:
        row[2].value = sku_to_model[sku]  # Model 列

    ⚠️ 常见错误与排除

    错误 1: BJ0599-XXXX 误认为模具号

    现象： 模具号显示为 BJ0599-0001, BJ0599-0002 等

    原因： BJ0599-XXXX 是包装规范（Package No.），不是模具号

    排除方法： 

    if model_no.startswith('BJ0599-'):
    # 重新提取真正的模具号
    model_no = extract_real_model_no(text)

    错误 2: 客户品名误认为模具号

    现象： 模具号与客户品名完全相同（如 GCHDMIFF, HDACFM）

    原因： PDF 的 MODEL NO. 字段在图片中，pdftotext 读不到

    排除方法： 

    if model_no == customer_item:
    # 启用 OCR 重新提取
    model_no = extract_with_ocr()

    错误 3: 模具号提取为空

    现象： 模具号为 None 或空字符串

    原因： PDF 格式特殊，文本层和 OCR 都提取失败

    排除方法： 

    if not model_no:
    # 使用已知映射表 fallback
    model_no = known_mappings.get(pdf_file)

    📝 输出示例

    产品索引.md

    # 599 客户产品知识库索引
    总计： 58 个产品
    数据结构： 模具号 → 客户品名 → 长度 + 包装规范
    | 序号 | PDF 文件 | 模具号 | 包装规范 | 客户品名 | 长度 |
|------|----------|--------|----------|----------|------|
| 1 | 599-001.pdf | GCHDMIFF | BJ0599-0001 | GCHDMIFF | N/A |
| 8 | 599-008.pdf | OP-HD31 | BJ0599-0009 | 8K-A-30F-HDMI-CABLE | 9150mm |

    产品详细数据.json

    {
  "pdf_file": "599-008.pdf",
  "model_no": "OP-HD31",
  "package_specs": ["BJ0599-0009"],
  "customer_items": ["8K-A-30F-HDMI-CABLE", "8K-A-50F-HDMI-CABLE"],
  "lengths": ["9150mm", "15250mm"],
  "products": [
    {
      "customer_item": "8K-A-30F-HDMI-CABLE",
      "length": "9150mm",
      "package_spec": "BJ0599-0009"
    }
  ]
}

    🔍 模具号规律参考

    | 系列 | 格式 | 示例 | 数量 | |------|------|------|------| | AD 系列 | AD + 4 位数字 + 短横线 + 2-3 位 | AD1002-005, AD1008 | 4 个 | | 5001 系列 | 5001 + 短横线 + 3 位数字 + 字母 | 5001-125A, 5001-130A | 9 个 | | 5004 系列 | 5004 + 短横线 + 1-3 位 + 字母 | 5004-6A, 5004-65A | 3 个 | | OP 系列 | OP + 短横线 + 2 位字母 + 2 位数字 | OP-HD31, OP-USB09 | 4 个 | | AP 系列 | AP + 短横线 + 3 位数字 + 字母 | AP-073A, AP-079A | 2 个 | | DP 系列 | DP + 短横线 + 3 位数字 + 字母 | DP-033A, DP-034A | 5 个 |

    📦 依赖安装

    # 系统依赖
brew install poppler  # pdftotext, pdftoppm
    Python 依赖
    
pip3 install docling openpyxl

    🧪 测试命令

    # 测试单个 PDF
python3 scripts/extract.py \
  --pdf-dir "/path/to/599" \
  --output-dir "./output" \
  --verbose
    验证输出
    
cat output/产品索引.md
cat output/产品详细数据.json | python3 -m json.tool

    📚 相关文档

  • Docling 文档
  • pdftotext 手册
  • OpenPyXL 文档

    • 版本历史：

  • v1.0 (2026-03-23) — 初始版本，支持 PDF 批量提取、错误排除、知识库生成