從 PDF 自動讀資料：定位方式決定成敗

從 PDF 表格自動讀欄位值的完整教訓：標籤錨點定位通吃多版型、失敗要看得見、規則式與 AI 視覺怎麼選。

定義：從 PDF 表格自動讀取欄位值（如圖號、品名）時，「怎麼定位值的位置」決定成敗——以標籤文字為錨點動態計算相對位置，才能通吃多種表格版型。

為什麼「從 PDF 讀資料」本質上就難

PDF 是「印出來的紙」的數位版：檔案內部只記錄「某段文字印在座標 (x,y)」，完全沒有「這一格是品名、那一格是圖號」的語意資訊。表格的格線只是畫出來的線條，跟文字沒有關聯。所以讀 PDF 欄位永遠是「猜位置」的遊戲。

另外要分兩種情況：CAD 軟體轉出的 PDF 帶有文字層（文字可以直接撈出來，這次的情況就是如此）；掃描出來的 PDF 只是一張圖片，要先做 OCR（光學文字辨識，把圖片變回文字），是完全不同且更難的問題。開工前先確認拿到的是哪一種。

從標籤文字往右找值——兩個地雷：①圖框裡同時有 PART NO. 和 CUSTOMER PART NO. 兩個欄位，後者字串包含前者，搜尋時先撞到哪個就抓哪個，結果抓成客戶料號；②有些欄位的值印在標籤「下方」而不是右邊，往右找會撈到隔壁欄位的值。
記住「值在座標 (x,y)」用固定位置抓——當時只用一種版型的樣本開發，結果圖面實際有四種版型（中文橫式、中文直式、英文 A3 等）：直式圖框在頁面右側直排，英文版配置完全不同，換版型就全錯。教訓：開發前沒有先收集「所有版型」的樣本。
以「標籤文字」為錨點、動態計算值的相對位置——先用頁面長寬比判斷直式或橫式，再找「PART NO.」標籤的實際座標當錨點（搜尋時明確排除含 CUSTOMER 的字串——排除規則要先講），然後在「相對於錨點」的區域內撈值。四種版型通吃，幾百張只錯四張（99.3%）。

第三輪還處理了兩個棘手的細節：有些 PDF 的標籤文字被切成碎片（PART 和 NO. 分開存），要用多種變體嘗試比對；版次欄有的寫「01.」有的寫「01」（沒有點號），格式要都認得。真實文件的棘手細節永遠比想像多。

前兩輪都假設了「版型不變」：第一輪假設值一定在標籤右邊，第二輪假設值一定在同一個座標。真實文件的版型一定會變，只有「相對於錨點」的定位方式能跟著版型走。

最後 99.3% 成功、剩下 4 筆解析不了，不硬追 100%：系統畫面上做「解析狀態」篩選，失敗的圖面列在待人工清單，人工補登欄位。

設計原則：99% 自動＋1% 看得見的失敗，遠勝 95% 自動＋錯得無聲。最怕的不是解析失敗，而是解析「錯了但沒人知道」——錯的料號流進系統，比空白嚴重得多。

以後做同類功能（從文件自動讀資料）時：

如果版型太多太雜、或是掃描檔沒有文字層，規則式解析器會寫不完；這時可以讓多模態 AI「看」整張圖框，直接問「品名是什麼」。代價：每張都要花模型費用、速度慢、偶爾答錯且不穩定。

判斷式：固定版型＋大批量 → 規則解析器（快、穩、免費）；版型長尾雜牌 → AI 視覺。也可以混合：規則器失敗的那 1% 自動丟給 AI 視覺當第二層，人工只處理兩層都失敗的。