image-to-pdf

# Image to PDF Merger Skill

将多张图片合并成一个 PDF 文档，适合处理会计凭证、扫描文件等。支持自动旋转调整方向。

依赖

```bash # Python pip3 install Pillow pypdf openpyxl

# 系统工具 brew install poppler tesseract tesseract-lang ```

触发条件

• 用户说"合并 PDF"、"把图片合成 PDF"、"生成 PDF"
• 用户发送多张图片并要求合并
• 用户发送 PDF 并要求添加摘要
• 用户发送扫描版 PDF 并要求"提取文字"、"总结"

使用方法

1. 收集图片/PDF

让用户一次性发送所有需要处理的 PDF，不要分开多次发。

2. 执行合并（图片转 PDF）

适用于图片文件（.jpg）：

```python import os from pypdf import PdfWriter from PIL import Image

# 获取所有新上传的图片 images = sorted(glob.glob(f"{inbound_dir}*.jpg"), key=os.path.getmtime, reverse=True)[:20]

merger = PdfWriter() for img_path in images: img = Image.open(img_path) # 自动旋转：横版图片旋转90度 width, height = img.size if width > height: img = img.rotate(90, expand=True) pdf_path = img_path.replace('.jpg', '.pdf') img.save(pdf_path, 'PDF', resolution=100.0) merger.append(pdf_path)

output_path = f"{output_dir}{凭证号}.pdf" merger.write(output_path) ```

3. PDF 重命名（带完整摘要 + 船名归属）

根据 Excel 清单自动重命名 PDF：

• Excel 结构：
• F列 = Index（凭证序号）
• H列 = 摘要（Description）
• M列 = 船名/归属

关键：使用字母索引法，避免列号混淆！

```python import openpyxl import re import shutil import os

# Excel 路径 excel_path = "~/.openclaw/media/inbound/Vouching_list---*.xlsx"

# 加载 Excel（使用字母索引） wb = openpyxl.load_workbook(excel_path) ws = wb.active

# 需要处理的文件列表 (序号, 原始文件名) files = [ (1, "1._1月79号---xxx.pdf"), (2, "2_1月109号---xxx.pdf"), # ... ]

for idx, filename in files: # Index N -> Excel Row N+1（因为 Row 1 是表头） excel_row = idx + 1 # 使用字母索引直接访问列 desc = ws[f'H{excel_row}'].value # H列 = 摘要 ship = ws[f'M{excel_row}'].value # M列 = 船名归属 # 从文件名提取凭证号（如 "1月79号"） date_match = re.search(r'(\d+月\d+号)', filename) date_part = date_match.group(1) if date_match else "" # 命名格式：序号_凭证号-【船名】摘要.pdf # 例如：01_1月79号-【祥瀚8】V2501运费收入.pdf new_name = f"{idx:02d}_{date_part}-【{ship}】{desc}.pdf" # 复制并重命名 src = os.path.join(inbound_dir, filename) dst = os.path.join(output_dir, new_name) shutil.copy(src, dst) ```

文件名格式规范： ``` 序号_凭证号-【船名/公司】摘要.pdf

示例： 01_1月79号-【祥瀚8】V2501运费收入.pdf 02_1月109号-【River】坞修2411001.pdf 03_1月135号-【Alice】2503航次收入.pdf 04_1月169号-【Anna】DBS融资款付船款.pdf ```

4. 发送到 Telegram

```python message( action="send", filePath=output_path, message=f"{序号}. {凭证号} - 【{船名}】{摘要}", target="用户ID" ) ```

关键要点

1. 一次性收集 - 让用户一次发完所有文件
2. 使用字母索引 - 用 `ws[f'H{row}']` 而非 `row[7]`
3. 正确映射 - Index N → Excel Row N+1
4. 完整命名 - 序号_凭证号-【船名】摘要
5. 自动发送 - 处理完成后自动推送给用户

错误处理

• 如果 Excel 找不到对应 Index，跳过或用原文件名
• 如果 PDF 是图片合并的（无文字层），使用 OCR 功能提取文字
• 文件名中的特殊字符（如 `/`）需要清理

---

功能三：扫描版 PDF OCR 文字提取

当用户发送扫描版 PDF（无文字层）时，使用 tesseract 提取文字：

步骤 1：PDF 转图片

```bash # 安装依赖 brew install poppler tesseract tesseract-lang

# PDF 转图片（300 DPI） pdftocairo -png -r 300 input.pdf page ```

步骤 2：OCR 识别

```bash # 识别中文+英文 tesseract page-01.png stdout -l chi_sim+eng > output.txt

# 批量识别 for p in page-*.png; do tesseract "$p" stdout -l chi_sim+eng >> combined.txt done ```

步骤 3：提取关键信息

```python import re

# 读取 OCR 结果 with open('combined.txt', 'r', encoding='utf-8') as f: text = f.read()

# 提取关键信息（根据文档类型调整） patterns = { '贷款人': r'([A-Z]+ BANK LTD\.?.*?)\n', '借款人': r'([A-Z]+ SHIPPING LIMITED.*?)\n', '贷款金额': r'USD([\d,]+)', '利率': r'([\d.]+)%', '期限': r'(\d+)\s*years?', }

results = {} for key, pattern in patterns.items(): match = re.search(pattern, text, re.IGNORECASE) if match: results[key] = match.group(1) if match.lastindex else match.group(0)

print(results) ```

完整流程脚本

```bash #!/bin/bash # pdf-ocr.sh - 从扫描版 PDF 提取文字

PDF_PATH="$1" OUTPUT_DIR="/tmp/pdf_ocr_$(date +%s)"

mkdir -p "$OUTPUT_DIR"

# 1. PDF 转图片 echo "Converting PDF to images..." pdftocairo -png -r 300 "$PDF_PATH" "$OUTPUT_DIR/page"

# 2. OCR 识别 echo "Running OCR..." > "$OUTPUT_DIR/combined.txt" for img in "$OUTPUT_DIR"/page-*.png; do echo "Processing: $img" tesseract "$img" stdout -l chi_sim+eng 2>/dev/null >> "$OUTPUT_DIR/combined.txt" done

# 3. 提取关键信息 echo "Extracting key information..." python3 << 'EOF' import re

with open('$OUTPUT_DIR/combined.txt', 'r', encoding='utf-8', errors='ignore') as f: text = f.read()

patterns = { 'lender': r'([A-Z]+ BANK LTD\.?.*?)\n', 'borrower': r'([A-Z]+ SHIPPING LIMITED.*?)\n', 'amount': r'USD([\d,]+)', 'date': r'(\d{1,2}\s+\w+\s+\d{4})', }

for key, pattern in patterns.items(): match = re.search(pattern, text, re.IGNORECASE) if match: print(f"{key}: {match.group(1)}") EOF

echo "Output saved to: $OUTPUT_DIR/combined.txt" ```

改进：处理延时

为避免图片传输不完整，添加等待机制：

```python import time

# 等待所有图片传输完成 time.sleep(5) # 等待5秒

# 获取最新上传的图片（按修改时间排序） # 这样可以确保所有已传输的图片都被处理 ```

为什么需要延时

• 用户一次性发送多张图片
• Telegram/网络传输需要时间
• 如果立刻处理，后传输的图片可能还没到

延时建议

• 5秒：适合少量图片（1-10张）
• 10秒：适合大量图片（10张以上）

替代方案

1. 如果不想用固定延时，也可以：
2. 等待用户确认"还有吗？"
3. 用心跳时检查inbound目录是否有新文件