pdf-picker

基于 Go 的 PDF 回执拆分与分类工具。

功能说明：

• 扫描输入目录中的 PDF 文件
• 将回执按页面内多条回执进行拆分并导出图片
• 从文本中提取“收款人全称”并按名称分类到输出目录
• 识别失败时可使用 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）

1. 项目结构

• index.go: Go 主程序
• 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）

2. 运行环境

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

当前项目依赖：

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

3. 工具链配置（Windows）

如果构建时报错 gcc not found，可使用 LLVM-MinGW。

示例（已验证可用路径）：

1. 安装 LLVM-MinGW（任选一种）

• 使用 winget
• 手动下载并解压到 C:/llvm-mingw

2. 配置 Go 使用 clang 作为 cgo 编译器（PowerShell）

go env -w CC="C:\llvm-mingw\llvm-mingw-20260519-ucrt-x86_64\bin\clang.exe"
go env -w CXX="C:\llvm-mingw\llvm-mingw-20260519-ucrt-x86_64\bin\clang++.exe"
go env -w CGO_ENABLED=1

3. 检查配置

go env CC CXX CGO_ENABLED

4. 编译

go mod tidy
go build index.go

编译成功后会生成可执行文件：

• index.exe

5. 运行

5.1 默认目录

.\index.exe

等价于：

• 输入目录：./source
• 输出目录：./output

5.2 指定目录（短参数）

.\index.exe -i ./source -o ./output2

5.3 指定目录（位置参数）

.\index.exe ./source ./output2

优先级：

• 命名参数（-i/-o 或 --input/--output）
• 位置参数
• 默认目录（source/output）

6. 输出结果

运行结束后会看到控制台统计，并在项目根目录生成记录文件：

• 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

程序在文本提取失败时会尝试调用：

tesseract <image> stdout -l chi_sim+eng

如果本机未安装 tesseract，OCR 兜底会自动跳过，不影响程序主流程（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：按第 3 节安装并配置 LLVM-MinGW。

Q2: 构建时出现大量 ld.lld: warning: duplicate symbol

这是链接阶段警告，若最终退出码为 0 且生成 index.exe，可继续使用。

Q3: 没有识别出“收款人全称”

• 可能是 PDF 为扫描件且 OCR 不可用
• 可能是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) 编译
go build index.go
# 3) 运行
.\index.exe -o ./output2