用 Python 批量提取 PDF 指定区域文字并导出 Excel：从框选到全自动运行

如果你手头有一批格式相同的 PDF，比如发票、对账单、货运单或月度报表，每次都要从固定位置复制日期、金额、单号，再粘贴进 Excel，那么这类工作很适合交给一款基于 Python 的开源小工具完成。它把 PDF 预览、区域框选、OCR 识别、区域截图和 Excel 导出放在同一个 tkinter 界面里，底层用 PyMuPDF 渲染页面和裁剪区域，用 easyocr 处理中英文识别，用 openpyxl 写入表格。你只需要在第一份文件上把区域框一次，之后就能选择逐个审核或全自动批处理，最终得到一份按文件顺序排列的结果表。相比通用 OCR 软件对整页做识别、再靠正则去猜字段位置，框选区域的方式更贴近“我知道我要哪一块”的实际需求。

先搞清楚这类工具解决的是什么问题

整页 OCR 的流程是“识别全部文字，再从结果里找字段”，问题在于 PDF 的版式并不稳定：同一个金额栏，在不同文件里可能因为扫描偏移、页眉页脚变化或者表格换行而落到不同位置。一旦你用正则表达式或“第几行第几个词”来定位，换一批文件就很容易错位。

按区域提取的思路正好相反：位置由你人工确定，工具只负责把这一块图像交给 OCR。这样做的代价是它默认所有 PDF 的版式一致，收益是识别范围被压到最小，干扰文字少，准确率和稳定性通常更好。搜索资料中的这款工具还额外做了两件事：框选区域时可以拖动和缩放，方便微调；识别前用 OpenCV 做灰度化、自适应阈值和形态学处理，让扫描件里偏淡的字更容易被识别出来。

需要提醒的是，区域坐标依赖页面渲染尺寸。如果你中途更换了 PDF 的页面尺寸、缩放比例或扫描分辨率，之前框好的位置就可能偏移，这一点在后面的排错部分会展开。

安装准备：Python 环境和四个依赖

1. 准备 Python

建议使用 Python 3.9 以上的版本，并且养成在虚拟环境里安装依赖的习惯，避免和系统里其它项目冲突：

mkdir pdf-region-ocr
cd pdf-region-ocr
python -m venv venv

激活虚拟环境，Windows 下执行 venvScriptsactivate，macOS 和 Linux 下执行 source venv/bin/activate。命令行前面出现 (venv) 就表示生效了。

2. 安装依赖库

根据这款工具的说明，它依赖以下库：

pip install pymupdf easyocr openpyxl opencv-python

• pymupdf 负责打开 PDF、渲染页面为图像、按矩形区域裁剪；
• easyocr 负责文字识别，支持中文和英文；
• openpyxl 负责把结果写入 .xlsx；
• opencv-python 用于识别前的图像预处理。

easyocr 首次运行时会下载识别模型，体积不小，建议在网络稳定的环境下先跑一次，把模型缓存下来，之后再批量处理就不需要联网了。

3. 确认 tkinter 可用

界面是用 tkinter 写的，Windows 和 macOS 的官方 Python 安装包通常自带。如果启动时报 ModuleNotFoundError: No module named 'tkinter'，Linux 下一般需要单独安装，例如 Ubuntu 系可以执行：

sudo apt install python3-tk

安装完成后，把开源项目下载到本地，进入项目目录运行主程序入口（以项目实际文件名和启动说明为准）即可看到界面。

框选区域：一次框好，后面复用

打开界面后，通常是先选择 PDF 文件或包含 PDF 的文件夹，工具会把第一页渲染到预览区。接下来是核心动作：

1. 在预览页上按住鼠标拖出一个矩形，覆盖你要提取的那块内容，比如发票右上角的开票日期。
2. 如果位置不准，用边线上的控制点拖动调整，或者直接拖动整个框平移。
3. 一个页面可以添加多个区域，每个区域对应结果表里的一列。日期、金额、发票号这类字段分别框一次即可。
4. 注意区分区域类型。工具用不同颜色标示用途，比如蓝色代表 OCR 文字识别、绿色代表区域截图，选中的区域显示为红色。如果你要的是图片而不是文字，就把该区域设成截图类型。
5. 框选完成后检查一下区域是否覆盖到了文字边缘，尤其是字迹贴近边框的扫描件，留出一点余量通常更稳。

这一步的细致程度直接决定后面返工的量。建议拿一份“最差”的样本做基准：字最淡的、扫描最歪的、版式最复杂的那一份。用它调好的框，对其它文件一般也够用。

配置输出：Excel 路径与日期格式

进入输出设置时，重点看两项。

第一项是结果文件位置和字段顺序。结果会写进一个 .xlsx 文件，每个区域占一列，每份 PDF 占一行，一般还会带上来源文件名，方便你回溯是哪份文件出的问题。

第二项是日期格式化。扫描件里的日期常常是 20251209 这种连写形式，直接进表格不便排序和统计。工具提供了自定义格式化规则，可以把识别出的文本按你的规则转换成 2025年12月09日 之类的样式，并且支持实时预览。设置时建议用几份不同写法的样本试一下，确认规则不会把 2025-12-09 和 2025.12.09 这类变体弄错。

截图类区域的处理略有不同，工具会自动生成唯一文件名来避免重名覆盖，也会规避特殊字符导致的保存失败。你只需要指定截图存放的目录。

批量运行：先手动审核，再全自动

工具提供了两种模式，这个设计值得按顺序用一遍，而不是直接上全自动。

模式一：手动审核（逐个确认）

每处理完一份 PDF，界面会停下来展示识别结果，你可以核对这一份的文字是否对、截图是否对，确认无误再进入下一份。适合两种情况：第一次跑一批新类型文件；或者这批文件数量不多但错一个就麻烦，比如涉及金额的报销和结算。

模式二：全自动（批量跑完）

确认前几份的框选位置和格式规则都稳定之后，切换到全自动模式，选择文件夹，工具会按顺序处理完全部 PDF，直接汇总到 Excel，中途不需要人工干预。这才是真正省时间的环节：几十上百份文件的重复复制粘贴，变成点一次按钮。

结果校验与常见坑

跑完不要直接交付，至少抽检一部分。以下是几个容易出问题的地方。

识别准确率不是恒定的。 easyocr 对清晰印刷体表现较好，但遇到低分辨率扫描、倾斜页面、表格线穿过文字、印章遮盖等情况，错字漏字仍会出现。手写体、艺术字和小字号数字的风险更高。如果某个字段对准确性要求高，建议保留手动审核模式，或者在 Excel 里加一列人工复核标记。

页面尺寸和渲染比例变了，框就废了。 同一批文件应当来自同一个模板、同一套扫描参数。如果混进了不同尺寸的页面，或者你在预览时改过缩放，区域坐标就可能偏移，表现为识别结果整体错位。处理前先确认这批文件的页面尺寸一致。

首次运行会下载模型。 网络不通或代理设置有问题时，easyocr 会在初始化阶段卡住或报错。先单独跑一次让它把模型缓存好，再进入批量流程。

路径里有中文和空格。 输出目录和源文件夹尽量用简短路径，避免深层嵌套。截图文件名由工具自动生成唯一标识，但目录本身如果有权限问题，写文件会静默失败，跑完发现少了截图就是这类原因。

别把整个流程当成零维护。 这批文件处理完，规则和区域配置通常只对当前模板有效。下一批换了版式，重新框一次区域比硬调参数更省事。

适合谁用，不适合谁用

如果你的场景是“固定版式的 PDF、固定位置的几个字段、数量多、重复度高”，比如发票信息登记、报表指标汇总、运单信息录入，这套框选加 OCR 加 Excel 导出的组合能明显减少手工劳动，而且全程本地运行，文件不上传到第三方服务。

如果你要做的是整页全文检索、复杂表格结构还原、或者每份文件版式都不一样，那按区域提取就不是合适的工具，应该考虑表格结构识别类的库或者更强的文档解析方案。先判断自己的任务属于哪一类，再决定要不要投入时间装环境，会比盲目上手更划算。