基于UiPath/PowerAutomate的PDF指定属性提取至Excel并筛选公司方案咨询

一、切换至Tesseract OCR优化文本抓取 #

• 替换UiPath中的OCR活动：将原有的Document OCR替换为Tesseract OCR活动，配置对应语言包（支持中英文混合场景），开启自动换行校正和格式保留参数，利用其输出文本排版规整、换行逻辑合理的特性，降低后续字符串处理的复杂度。
• 先做小范围测试：选取3-5页包含目标属性和OEM信息的PDF页进行测试，对比原OCR的输出结果，确认Tesseract的文本格式更利于关键词匹配与属性提取。

二、指定OEM公司的前置过滤 #

• 预加载目标OEM名单：将指定的OEM公司名单存入字符串数组TargetOEMs，或读取专门的OEM名单Excel列加载至内存，避免重复读取文件。
• 单页文本先做OEM匹配：抓取单页文本后，用Contains方法或正则表达式（针对有特殊格式的OEM名称）检查文本是否包含目标名单中的任一公司，不匹配的直接跳过该页处理，减少无效计算。

三、属性与Excel列的映射写入 #

• 定义属性-列映射字典：创建Dictionary<string, string>类型的PropertyColumnMap，键为目标属性名称（如"产品型号"、"出厂日期"），值为Excel对应列标识（如"A"、"C"），实现动态匹配。
• 正则表达式精准提取属性值：针对每个目标属性编写匹配正则，例如提取"产品型号：XXX"格式的内容，可使用产品型号：(.*?)(?=\n|$)，从规整的Tesseract文本中捕获属性值；若属性缺失，对应Excel列留空或标记"无数据"。
• 批量写入提升效率：将所有符合条件的页的属性数据存入DataTable，完成所有页处理后一次性写入Excel，避免逐页逐单元格写入的性能损耗（400页场景下，批量写入效率提升明显）。

四、异常处理与流程优化 #

• 缺失属性的可视化标记：对匹配到OEM但部分属性缺失的页，在Excel对应列填入"无数据"，便于后续人工补全核对。
• 处理日志记录：为每一页记录处理状态（成功/OEM不匹配/属性缺失）至日志文件，方便后续排查问题。
• 并行处理加速：在UiPath中开启并行处理（注意PDF文件读取锁问题），同时处理多页PDF，缩短整体处理周期。

内容的提问来源于stack exchange，提问作者Vanjuli