- name
- ofd-text-extractor
- description
- >
OFD 文本提取专家
功能概述
本技能提供 OFD（Open Fixed-layout Document）格式文件的文本提取能力，输出包含精确位置信息的结构化数据。
新增功能：
- ✅ 模板页提取（类似 PDF 中的 Form）
- ✅ 字符级位置计算（每个字符的精确坐标）
- ✅ 支持 DeltaX 字符间距
何时使用
当用户需要以下操作时触发本技能：
- 从 OFD 文件中提取文本内容
- 获取文字在 OFD 页面中的位置坐标
- 分析 OFD 文件的内部结构
- 批量提取 OFD 文件的文本信息
- 需要字符级精度的文本位置
OFD 文件结构
OFD 本质上是 ZIP 压缩包，解压后包含以下核心文件：
| 文件/目录 | 说明 |
|---|---|
OFD.xml | 主入口文件，定义文档基本结构 |
Doc_0/Document.xml | 文档结构定义，包含模板页映射 |
Doc_0/Pages/Page_X/Content.xml | 页面内容，包含文字和位置信息 |
Doc_0/Tpls/Tpl_X/Content.xml | 模板页内容（如发票表头） |
Doc_0/Res/ | 资源文件（图片、字体等） |
文字位置信息格式
在 Content.xml 中，每个 TextObject 包含：
<ofd:TextObject ID="6956" Boundary="28.8287 6.087 28.7 19.8488" Font="6993" Size="3.175">
<ofd:TextCode X="4.825" Y="11.0658" DeltaX="3.175 3.175 3.175 3.175 3.175">旅客运输服务</ofd:TextCode>
</ofd:TextObject>| 属性 | 说明 |
|---|---|
Boundary | 边界框：X Y Width Height（单位：mm） |
X, Y | 文字起始坐标（单位：mm） |
DeltaX | 字符间距数组，用于计算每个字符的位置 |
TextCode 内容 | 实际文本内容 |
字符位置计算
字符位置计算公式：
- 第 0 个字符：X = TextCode.X
- 第 n 个字符：X = TextCode.X + DeltaX[0] + DeltaX[1] + ... + DeltaX[n-1]
示例：旅客运输服务
- 旅 @ X=4.825
- 客 @ X=4.825 + 3.175 = 8.0
- 运 @ X=8.0 + 3.175 = 11.175
- ...
使用方法
快速提取
# 基本提取
.\scripts\extract_ofd.ps1 -OfdFile "发票.ofd"
# 提取并显示字符位置
.\scripts\extract_ofd.ps1 -OfdFile "发票.ofd" -ShowCharacters
# 导出到 JSON
.\scripts\extract_ofd.ps1 -OfdFile "发票.ofd" -OutputFile "result.json" -ShowCharacters输出格式
{
"file": "发票.ofd",
"pages": [
{
"pageIndex": 0,
"pageSize": { "width": 210, "height": 180 },
"usedTemplates": ["1"],
"texts": [
{
"id": "page_0",
"objectId": "6956",
"text": "旅客运输服务",
"x": 4.825,
"y": 11.0658,
"boundary": {
"x": 28.8287,
"y": 6.087,
"width": 28.7,
"height": 19.8488
},
"source": "page",
"isTemplate": false,
"characters": [
{ "char": "旅", "x": 4.825, "y": 11.0658, "index": 0 },
{ "char": "客", "x": 8.0, "y": 11.0658, "index": 1 },
{ "char": "运", "x": 11.175, "y": 11.0658, "index": 2 },
{ "char": "输", "x": 14.35, "y": 11.0658, "index": 3 },
{ "char": "服", "x": 17.525, "y": 11.0658, "index": 4 },
{ "char": "务", "x": 20.7, "y": 11.0658, "index": 5 }
]
}
]
}
]
}字段说明
| 字段 | 说明 |
|---|---|
text | 完整文本内容 |
x, y | 文本起始坐标（mm） |
boundary | 文本对象边界框 |
source | 来源：page 或 template_X |
isTemplate | 是否来自模板页 |
characters | 字符级位置数组（使用 -ShowCharacters 时包含） |
模板页支持
OFD 发票通常使用模板页来定义固定的表头（如"出行人"、"出发地"等标签）。
脚本会自动：
- 解析
Document.xml找到模板页映射 - 加载
Tpls/Tpl_X/Content.xml中的模板内容 - 合并页面内容和模板页内容
- 通过
isTemplate字段区分来源
执行脚本
技能使用 scripts/extract_ofd.py 脚本进行提取（推荐 Python 版本，跨平台兼容）：
# 基本用法
python scripts/extract_ofd.py <ofd文件路径>
# 显示字符位置
python scripts/extract_ofd.py <ofd文件路径> --show-chars
# 导出 JSON
python scripts/extract_ofd.py <ofd文件路径> --output <输出路径> --show-chars参数说明：
<ofd文件路径>: OFD 文件路径（必需）--output <输出路径>: JSON 输出文件路径（可选）--show-chars: 显示/包含字符级位置（可选）
注意事项
- OFD 是矢量格式，坐标单位为毫米（mm）
- 同一行的文字可能有多个 TextObject，需根据 Y 坐标判断
- 图片和路径对象不会被提取为文本
- 模板页内容通过
isTemplate: true标记 - 字符位置需要
-ShowCharacters参数才会包含在输出中