pdf-picker

基于 Go 的 PDF 回执拆分与分类工具。

1. 功能概览

• 扫描输入目录中的 PDF 文件
• 按页面内回执数量拆分并导出图片
• 从文本中提取“收/付款人全称”并按名称分类到输出目录
• 文本提取失败时可使用 OCR 兜底
• 生成执行结果记录文件（含每个 PDF 的目录与图片明细）

2. 目录结构

• index.go：主程序入口（收款人版本）
• index_fk.go：主程序入口（付款人版本）
• go.mod / go.sum：Go 模块依赖
• source/：默认输入目录（放 PDF）
• output/：默认输出目录（分类后的图片）
• dist/：构建产物目录

3. 运行环境

• Go 1.19+
• C 编译器（go-fitz 依赖 cgo）
• 可选：Tesseract OCR（用于识别扫描件）

当前依赖：

• github.com/gen2brain/go-fitz v1.20.2

4. 本地运行（Go）

4.1 直接运行 index.go

go run index.go

默认目录：

• 输入：./source
• 输出：./output

4.2 指定目录（示例）

go run index.go -i ./source -o ./output2

5. Windows 打包

5.1 Windows 本机构建（PowerShell）

go mod tidy
go build -o dist\pdf-picker.exe index_fk.go

5.2 macOS 交叉编译 Windows exe（本次已验证）

先安装 MinGW：

brew install mingw-w64

打包命令：

mkdir -p dist && CGO_ENABLED=1 GOOS=windows GOARCH=amd64 CC=x86_64-w64-mingw32-gcc CXX=x86_64-w64-mingw32-g++ go build -o dist/pdf-picker.exe index_fk.go

产物：

• dist/pdf-picker.exe

6. 输出说明

运行后会生成：

• 控制台统计信息
• 执行结果记录_YYYYMMDD_HHMMSS.txt

记录内容包括：

• 每个 PDF 拆分目录数
• 每个目录对应图片数量
• 识别成功/失败数量
• 全部汇总

7. OCR 说明

文本提取失败时会尝试调用：

tesseract <image> stdout -l chi_sim+eng

未安装 tesseract 时会自动跳过 OCR，不影响主流程（但扫描件识别率会下降）。

8. 常见问题

Q1：构建时报 gcc not found

原因：缺少 cgo 编译器。

处理：

• Windows：安装 LLVM-MinGW 或 MinGW-w64，并配置 CC/CXX
• macOS 交叉编译：安装 mingw-w64

Q2：没有识别出“付款人全称”

可能原因：

• PDF 为扫描件且 OCR 不可用
• 单据模板字段格式与当前规则不一致

可通过增强正则规则或补充 OCR 环境提升识别率。

9. 快速开始

# 1) 放入 PDF 到 source
# 2) 运行
go run index_fk.go

# 3) 或直接打包 Windows exe（macOS 交叉编译）
mkdir -p dist && CGO_ENABLED=1 GOOS=windows GOARCH=amd64 CC=x86_64-w64-mingw32-gcc CXX=x86_64-w64-mingw32-g++ go build -o dist/pdf-picker.exe index_fk.go