前言
在日常办公和开发中，我们经常会遇到这样的需求：从大量PDF文件的指定区域提取文本（比如发票的日期、金额，报表的关键指标），或者对指定区域进行截图并汇总到Excel中。手动逐个处理效率极低，而通用的PDF OCR工具又无法精准定位区域。
代码已开源在Github ：https://github.com/ChenAI-TGF/PDF_SnapOCR
今天给大家分享一款我开发的Python工具——PDF区域OCR/截图逐个处理工具，它完美解决了上述痛点，支持手动审核+全自动批量处理，还内置了区域拖动缩放、Excel自动导出等实用功能，并且配备完善的UI界面，使用门槛极低。下面详细拆解它的功能和实现原理。先看一下整个程序的界面：
一、工具核心功能详解
这款工具基于tkinter构建可视化界面，整合了PyMuPDF（PDF处理）、easyocr（OCR识别）、openpyxl（Excel导出）等库，功能覆盖从PDF区域选择到结果汇总的全流程，具体如下：
1. 核心处理能力
| 功能点 | 详细说明 |
|---|---|
| 精准区域OCR识别 | 可框选PDF任意区域进行文字提取，支持中文+英文识别；内置OpenCV图像预处理（灰度化、自适应阈值、形态学操作），提升识别准确率 |
| 区域截图保存 | 支持将框选区域保存为图片，自动处理路径和文件名冲突（UUID生成唯一名称），避免特殊字符导致的保存失败 |
| 自定义日期格式化 | 针对OCR识别的日期文本，可按不同规则自动格式化（例：20251209 → 2025年12月09日），用户可自行设置，支持实时预览格式化效果 |
2. 交互与操作体验
区域可视化管理 ：
框选的区域会在PDF预览界面显示（不同类型有不同颜色：OCR=蓝色/截图=绿色，选中=红色）
支持拖动（边线控制点）和缩放（右下角控制点），操作直观
区域模板继承
为第一个PDF设置的区域会自动保存为模板，切换后续PDF时自动继承，无需重复框选；修改区域后模板实时更新，同时 支持拖动（边线控制点）和缩放（右下角控制点）上一个PDF保存下来的模版
手动模式 - OCR结果审核与修改 ：
处理当前PDF后，所有OCR识别结果会生成可编辑输入框，支持手动审核、修正识别错误（截图模式仅显示保存路径）
编辑后的结果实时生效，点击「保存并下一个」可将修改后的内容写入Excel，同时自动切换到下一个PDF文件
全自动模式 - 一键批量处理所有PDF ：
切换到全自动模式后，基于已设置的区域模板，点击「批量处理所有PDF」可后台线程执行（不卡死界面），避免单线程卡顿
实时显示处理进度（当前处理第N个/总数量 + 文件名），每处理10个文件自动保存一次Excel，防止数据丢失
处理完成后弹窗提示结果文件路径，全程无需人工干预
结果导出 - Excel一体化存储（文本+截图） ：
纯文本结果（OCR识别/修改后内容）与截图文件一体化写入Excel，截图自动插入对应单元格并适配尺寸（最大宽度150px，等比例缩放）
自动调整Excel列宽/行高适配内容，截图区域单元格标注清晰，文本区域可直接编辑
结果文件保存在PDF文件夹下（命名：PDF处理结果.xlsx），关闭程序时才清理临时截图文件，确保Excel中图片正常显示
二、环境准备与安装
使用前需安装以下依赖库，建议在虚拟环境中执行：
# 核心依赖
pip install pymupdf easyocr openpyxl
# 辅助依赖（数据处理/图像/界面）
pip install pandas opencv-python pillow numpy tkinter
注意：
tkinter通常随Python自带，若缺失可根据系统安装（如Ubuntu：sudo apt-get install python3-tk）。
三、代码核心原理简析
工具的代码结构清晰，分为基础配置、工具函数、主应用类、程序入口四部分，核心原理简单拆解如下：
1. 界面构建：tkinter
- 使用
tkinter+ttk构建可视化界面，分为“顶部操作栏”（模式切换、按钮、进度）、“顶右侧操作栏”、“中间预览区”（PDF画布+区域设置）、“结果编辑区”、“底部状态栏”；
- 画布（Canvas）绑定鼠标事件（点击/拖动/释放），实现区域框选、拖动、缩放功能；
- 全局快捷键绑定（
bind_all），确保F2键在任意控件焦点下都能触发。
2. PDF处理：PyMuPDF（fitz）
- 打开PDF并读取第一页（
fitz.open(pdf_path)[0]）； - 计算Canvas与PDF页面的缩放比例，实现PDF预览的等比例适配；
- 通过
page.get_pixmap(clip=rect)提取指定区域的像素数据，转换为OpenCV/PIL可处理的图像格式。
3. OCR识别：easyocr + OpenCV
easyocr.Reader(['ch_sim', 'en'])初始化中英双语识别器；- OpenCV对区域图像预处理（灰度化、自适应阈值、形态学开运算），减少噪声提升识别率；
- 自定义
format_date_text函数实现日期格式化，异常时返回原始文本，保证程序健壮性。
4. 批量处理：多线程
- 批量处理逻辑放在独立线程（
threading.Thread）中执行，避免主线程（界面）卡死； - 通过
root.after(0, 回调函数)更新UI状态（进度、提示），符合tkinter的线程安全规则。
5. Excel导出：openpyxl + pandas
pandas.DataFrame存储OCR文本结果，dataframe_to_rows写入Excel；openpyxl.drawing.image.Image插入截图，自动缩放图片尺寸并调整单元格大小；- 文本结果与截图路径分离存储，确保Excel导出时文本和图片一一对应。
四、工具使用教程（分步演示）
步骤1：启动工具
运行代码，若依赖齐全会弹出主界面，底部状态栏显示“就绪 - 请选择PDF文件夹开始操作”。
步骤2：选择PDF文件夹
点击“选择PDF文件夹”，选中存放待处理PDF的文件夹，工具会自动加载所有PDF文件（仅后缀为.pdf的文件），并显示第一个PDF的预览。
步骤3：设置处理区域（核心）
- 在PDF预览画布上按住鼠标左键拖动，框选需要处理的区域；
- 在右侧“区域设置”面板：
- 输入“区域名称”（如“开票日期”“金额”）；
- 选择“处理方式”（OCR识别/截图保存）；
- 若选OCR，可勾选“是否进行日期格式化”，实时预览格式化效果；
- 点击“添加当前区域”，区域会显示在画布上，同时出现在“已选区域”列表中；
- 如需调整区域：点击画布上的区域（变红），可拖动位置或拖动右下角控制点缩放。
步骤4：选择处理模式
模式A：手动模式（逐个审核）
- 点击“处理当前PDF”，工具会识别所有区域并显示结果（OCR结果可直接编辑）；
- 确认结果无误后，点击“保存并下一个”，结果写入Excel并切换到下一个PDF；
- 重复上述步骤，直到所有PDF处理完成。
模式B：全自动模式（批量处理）
- 确保第一个PDF的区域设置完成（模板已保存）；
- 切换到“全自动模式（批量处理）”，点击“批量处理所有PDF”；
- 确认后工具开始批量处理，顶部进度标签显示当前处理进度；
- 处理完成后会弹出提示，结果保存到PDF文件夹下的“PDF处理结果.xlsx”。
步骤5：查看结果
打开生成的Excel文件：
- OCR识别的文本直接显示在单元格中；
- 截图自动插入对应单元格，单元格大小已适配图片尺寸；
- 所有PDF的结果按行排列，列名为区域名称，第一列为PDF文件名。
五、总结与扩展
这款工具完美解决了PDF指定区域文本提取和截图汇总的痛点，兼顾“手动审核的精准性”和“批量处理的高效性”，适用于财务、行政、数据处理等多个场景。
- 工具核心价值：精准定位PDF区域+灵活的处理模式+智能Excel导出，解决批量PDF处理的效率问题；
- 核心技术栈：
PyMuPDF（PDF）+easyocr（OCR）+openpyxl（Excel）+tkinter（GUI）； - 易用性设计：区域模板继承、快捷键、状态栏提示、自动清理临时文件，降低使用门槛。
如果日常工作中需要处理大量PDF的指定区域，这款工具能极大提升效率，建议根据实际需求微调日期格式化规则或OCR预处理参数，适配不同场景的PDF文件。
