从 PDF 图册抽取产品数据，不是把文字复制到表格。供应商图册常使用视觉排版、重复表头、跨页产品组、图片网格、脚注和规格图例。可靠流程需要重建产品记录，同时保留每个值的出处。
这篇指南覆盖扫描页、变体、图片、单位和来源依据等实际问题。
抽取前先定义输出字段
先定义支持产品身份、搜索、比较和复核的最小记录：
| 字段组 | 示例字段 |
|---|---|
| 身份 | 供应商、图册名、SKU、型号、产品名称、变体 |
| 产品属性 | 品类、尺寸、材质、饰面、颜色、风格 |
| 商务 | 价格、币种、单位、MOQ、交期、生效日期 |
| 媒体 | 主图、变体图、页面图片 |
| 依据 | 来源文件、页码、表格行、片段、置信度、复核状态 |
不是每份图册都有商务字段。缺失值应保持缺失，不要从其他供应商或无关页面推断。
处理前先判断 PDF 类型
PDF 图册大致分三类：
- **文本 PDF：**文件内嵌可选择的文字和表格。
- **扫描页：**每页都是图片，需要先 OCR 再重建结构。
- **混合 PDF：**部分页面有文字，另一些是扫描插页、图表或纯图片跨页。
先检查文字能否选择、字体映射是否正常，以及重要规格是否被嵌在图片中。页面在人眼看来正常时，文字抽取结果仍可能为空或顺序错乱。
识别跨页和不同版式中的产品边界
一页可能是一件主产品和下方规格，也可能是多产品网格，或左页图片对应右页共用表格。多页产品系列还可能在第一页定义共用材质，后面几页只列变体尺寸。
分段时要确认：
- 产品或系列从哪里开始、在哪里结束。
- 哪个标题对应哪一块规格。
- 一行代表产品、变体、配件还是包装选项。
- 备注适用于整页、章节、系列还是单个 SKU。
- 跨页图片如何对应表格中的型号。
每条候选记录都应保留页码范围。跨页上下文要明确记录，不能静默复制。
先抽取产品身份，再关联属性
先确认供应商、SKU 或型号、产品名称和变体关系，再关联属性与图片。这样可以减少把饰面、尺寸或价格分给错误产品的风险。
如果图册用一个基础型号表示多个尺寸和颜色，应采用一致的变体结构。不要因为 PDF 在每张图片旁重复型号就生成多个独立产品，也不要在尺寸或包装配置影响商务项目时强行合并。
谨慎标准化尺寸和单位
尺寸抽取既要读数值，也要读标签。W x D x H、座高、外箱尺寸和包装体积都与尺寸有关，但含义不同。只有确认字段含义后才能转换单位。
在标准值旁保留原始表达，例如：
| 来源 | 标准字段 | 标准值 |
|---|---|---|
900W x 820D x 760H mm | 总宽 | 90 cm |
900W x 820D x 760H mm | 总深 | 82 cm |
900W x 820D x 760H mm | 总高 | 76 cm |
如果单位只写在表头或脚注里，每一条受影响记录都要保留这段来源上下文。
把图片关联到正确产品
对销售来说，产品图片往往比描述更重要，但图片也最容易关联错误。需要综合使用标题、附近型号、阅读顺序、页面区域和重复图片标识。整页图片不能自动当成单个产品图片。
以下情况应标记复核：一张图代表整个系列、饰面样片适用于多个变体，或者场景图里包含 SKU 不包括的配件。复核时应保留整页图片。
为关键字段保留来源依据
产品身份、尺寸、材质、价格、MOQ 和交期都应能回到精确文件与位置。可保存的依据包括页码、表格行、页面区域、原文片段和使用的图片。
来源依据支持纠错和审计，也能让复核人区分供应商直接提供的值与标准化或补充字段。
发布前校验检查清单
- 每条记录都有供应商和来源文件。
- SKU 或型号存在；如果来源没有，记录明确标记缺失。
- 变体没有被重复导入成互不相关的产品。
- 尺寸带字段含义和单位。
- 图片归属可信，或已进入复核队列。
- 来源提供商务字段时，价格带币种和计价单位。
- 跨页值保留页码范围。
- 扫描页中的代码和数字经过 OCR 错误复核。
- 缺失字段没有被无依据猜测填满。
- 记录具有适合搜索、报价或 ERP 入库的就绪状态。
Skulinker 适合哪一段
Skulinker 从供应商 PDF 和相关文件中抽取产品信息，让记录保持与来源依据的连接，支持复核和标准化，再把确认产品发布到私有可搜索产品库。销售可以按客户需求找货并导出可编辑报价，同时保留原始供应商上下文。
