【前沿技术RPA】 一文学会用UiPath实现PDF自动化_uipath入门到精通pdf_uipath 提取pdf法律法规文件每一条法规

⭐方法二：使用 OCR 读取 PDF

因此我们需要一个活动读取 PDF 中的图像，该操作名为使用 OCR 读取 PDF。顾名思义，它会使用光学字符识别来扫描PDF 文档中的图像，并将所有文本作为变量输出。它与非 OCR 同级操作略有不同，因为它需要 OCR 引擎。

我们只需在活动窗格中搜索 OCR 即可找到可用的引擎。Studio 集成了 Google、Microsoft 和 Abbyy 的 OCR 引擎。引擎本身具有在整个应用程序中遇到的常见 OCR 参数：如允许的字符、拒绝的字符、语言、缩放比例等。不同的引擎可能有不同的参数，因此，如果您需要关于其工作方式的详细说明，请务必观看高级用户界面交互视频。这里使用Tesseract OCR 引擎运行。另外，我们删除读取 PDF 文本活动。

接下来，配置OCR引擎，

您可以直接看到下半部分，也就是 PDF 的图像部分，现在它也被转换成了文本，这没有问题。但是，如果仔细观察，您会发现文档的文本和图像部分的两列交织在一起。这是因为大多数 OCR 引擎还不够智能，无法自动识别文档中的 2 列布局。实际上，ABBY 是个例外，因为它保留了文档结构。所以，在与本例类似的特定情况下，ABBY 能够分离列。

一般来说，对于 OCR 技术，值得注意的一点是，它的质量会随着源图像的质量降低而迅速下降。正如您在本例中看到的，最终结果在很大程度上取决于字体大小、字体风格和图像分辨率，这些因素不一定始终在您的控制范围内。因此，只要有可能，就不要使用 OCR 读取 PDF操作。需要注意的是，这两种读取 PDF 的操作是独立的：它们不需要打开其他应用程序，因此可以在后台运行。今天您将看到的大多数其他 PDF 方法都不具备这种特性，因此，如果后台操作对您很重要。

⭐方法三：屏幕抓取工具

抓取大文本块和小文本块的另一种方法是使用方便的屏幕抓取工具。在主工具栏中可以访问这种工具，它实际上是一个交互式向导，会为您生成所需的操作。点击下图按钮，打开屏幕抓取工具，

只需指定需要抓取的文本元素，UiPath 就会显示这个预览窗口，并提供一些选项。如果这是您第一次遇到，下面会说明它的工作原理：这是一个预览区域，显示在您刚才的选择中识别的文本元素。这是当前使用的抓取方法，如果单击此处的下拉列表，可以看到其他可用方法。而这个按钮用于在屏幕上指定另一个要抓取的元素。通常 UiPath 会检测出适合您的情况的最佳方法。

当我们通过在右侧的下拉菜单中选择抓取方法名称，并单击刷新来更改它时，预览会相应地更新。我们将使用默认的全文方法，并单击完成。在 UiPath 中，将新创建的序列连接到起始节点，并查看其内部。

如果在上一步中，我们选择了一种不同的抓取方法，比如 OCR，我们就会得到这些操作。

在本例中，这三种方法都有很好的效果，就像我们之前看到的：只有 OCR 方法可以读取图像和文本。

因此，这 3 种技术可以用来提取更大的文本段。现在，我们回顾一下！我们分析了从 PDF 文件中提取文本的方法，并使用了三种不同的方法进行该操作。

♋ 从 PDF 提取单个数据段

⭐ 背景

以一家中型公司为例，它面临着从一个月内生成的所有发票中提取特定数据的艰巨任务。PDF文件中所需的数据是信用额、到期余额和发票号。要手动提取此数据，将需要大量工时，但我们可以自动化此过程。让我们看看PDF自动化后，从PDF文件中提取特定数据是多么容易。

发票如下图，我们要获取总额。

⭐ 获取文本活动——Get Text Activity

对于普通 PDF 来说，有几个获取数据的选项，第一个是众所周知的获取文本操作。现在，此操作将只从这一特定文件中获取该特定文本元素的值。如下图，

Step1

Step2

Step3

Step4

结果

⭐ 录制器

获取文本也可以在录制器中访问，就在这里。只需指向您感兴趣的元素，UiPath 就会为您生成获取文本操作及其输出变量，无需其他操作，我们将在消息框中显示它。

Step1

Step2

Step3

Step4

Step5

录制器获得的结果与Get Text 活动一致，再此不过多赘述。

⭐ 从多个文件中获取

但是，假设您实际上想要从一系列类似的 PDF 发票中提取总值，而不是仅仅从一个文件中提取，应该怎么办？像大多数用户界面交互一样，获取文本操作使用选取器来识别正确的元素并获取其值。因此，正如您可能已经猜到的，我们需要对其进行一些调整，以扩展其作用域。

自动执行此操作的方法是使用修复功能。因为我们关闭了第一个 PDF 文件，所以选取器编辑器以红色显示验证，这意味着选取器无效，如下图。

出现如下界面，

但是，我们可以直接单击修复并指向另一个类似的元素，该元素也应该与当前选取器匹配，并且 UiPath 将尝试为您修复选取器，如下图。

在本例中，它是有效的，但由于情况并非总是如此，我们还可以手动修改它，看看具体结果如何。但是，这里要提醒一下：我们将不会讨论选取器的一般方面，而只是解释这个具体的示例。但我强烈建议您观看“选取器”视频，里面详细介绍了它们如何工作，如何编辑和调试它们。它们是用户界面自动化的核心部分，因而更好地理解它们会在其他情况下也有用。

因此，我们将取消这个操作，不保存更改，然后再次打开选取器。这一次两个 PDF 文件都打开了，并且初始的选取器是有效的。我们将选择在用户界面探测器中打开它，以便获得更好的视图，如下图。

选中的容器是实际组成选取器的容器，因此，我们将重点讨论这些容器。

重新选择文本，

此时用户界面探测器改变，如下图，

我们还将删除 Title 参数以使用其他文件，方法是单击 Explorer 中的顶层选取器并取消选中右侧的标题，如下图。

最后一个元素存在实际值，所以我们需要删除它，使它也适用于其他值，如下图。

通过反复试验，我们发现最好对此项使用更独特的行名称属性。然后，我们只需单击保存，通过单击验证来验证选择器，然后单击确定。现在，它对这两个文件都有效。它从这张发票和另一张发票中都提取到了正确的值。

♌ 锚点基准活动

⭐ 背景

我们可能希望从PDF发票中获取值。但是这个值UI元素具有不稳定的选择器，而标签元素是稳定的。也就是说，我们要获取的文本的位置是不固定的，我们需要找一处固定的元素（锚点），以此来获得我们需要的文本内容。

⭐ 锚点基准活动

锚点基准活动由两个操作组成，因为它执行的操作与另一个固定元素或锚点有关，如下图。

典型的锚点是查找元素操作。我们将使用它来精确定位一个固定元素，接近我们的目标元素；通常是它的名称，这里的 Credit。

接下来，我们要执行的操作是获取文本。

虽然这两个操作都有关联的选取器，但您会注意到它们更简单一些。

接下来对于锚点元素，用*替换文件名部分，如下图。

锚点基准还有一个可选参数，锚点位置。它用于更清楚地定义在何处查找数据。我们可以让它保持原样，或者把它改成左侧，因为这就是我们的锚点与文本关联的位置。

我们放上MessageBox活动之后运行，可以看到准备获取到了我们需要的值，并且两个文档都有效。

锚点基准活动非常灵活，这意味着您可以在其中使用各种操作。例如，可以将查找元素操作替换为查找图像，如下图。

优点是现在 PDF 文档的结构不再那么重要，重要的是它在可见文档的任何地方都包含特定指定图像。此外，您不必再处理这么多的选择器；而且由于 PDF 文件在所有系统上看起来都一样，因此可以使用查找图像而不存在其常见的缺点。

注意

在指定要查找的图像之前，最好将文档的缩放比例设置为实际大小，以确保图像完整并且准确。只需进入“视图”、“缩放”和“实际大小”。

然后回到 UiPath，单击以指定一个图像，在本例中是 Credit，并在其周围选择锚点。这样就行了，如下图。

这个方法有时比其他方法更可靠，因为只要图像和数据存在并且彼此之间的关系相同，它甚至可以处理文档中的重大结构更改。特别是因为“查找图像”操作可以处理合理的比例变化量，还有其他一些原因，PDF 文档非常稳定。

注意

另外需要注意的重要一点是，介绍的最后这两种方法要求打开 PDF 文档，并且您尝试与之交互的数据必须可见，否则将失败。所以在构建最终的自动化系统时一定要考虑到这点，如下图。

⭐ Modern Design Experience activity

打开Modern Design Experience activity，如下图，

拖拽Use Application活动并点击

此时在要获取文本的PDF上点击，获取如下结果，

我们点击选择器，修改文件名为"*"，如下图，

拖拽Get Text,

设置要获取的文本和锚点，

最后序列的效果，

最后，我们运行序列，得到的结果与之前的一致。

4️⃣ 总结

关键点：

• 从PDF文件中的元素提取文本，我们可以使用Anchor Base activity或Get Text Activity。
• Anchor Base activity只支持在锚块中查找元素和查找图像。
• 图像自动化不处理选择器，但其可靠性也要低得多。
• Modern activities 在其目标定位方法中集成了锚。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

ctivity只支持在锚块中查找元素和查找图像。

• 图像自动化不处理选择器，但其可靠性也要低得多。
• Modern activities 在其目标定位方法中集成了锚。

[外链图片转存中…(img-eF5aJbQ0-1714173475904)]
[外链图片转存中…(img-9Pq6ZsZr-1714173475905)]

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！