Drawing Dimension Parser - PDF图纸关键尺寸解析

Overview

本技能从PDF工程图纸中提取带 * 号标注的关键尺寸，解析尺寸类型与公差，生成质检用Excel清单。支持矢量PDF（CAD导出）和扫描件PDF两种来源，扫描件结果标注置信度。

Trigger Conditions

触发此技能的场景：

用户上传PDF图纸文件，要求提取/解析/读取尺寸
用户提到"关键尺寸"、"图纸尺寸"、"质检尺寸"等关键词
用户要求生成尺寸清单用于质检/检验
用户说"看看尺寸"、"这图关键尺寸有哪些"等隐含意图

不触发的场景：

非PDF格式的图纸（DWG/DXF需先转换为PDF）
非尺寸提取需求（如仅查看图纸内容、提取BOM等）
纯文字PDF文档（非工程图纸）

Prerequisites

运行前检查以下Python依赖，缺失则提示用户安装：

pip install PyMuPDF pdfplumber pytesseract openpyxl Pillow

系统依赖：

Tesseract OCR 引擎（扫描件OCR必需）
- Windows: 安装 Tesseract-OCR，确认 tesseract 在 PATH 中
- 或通过 pytesseract.pytesseract.tesseract_cmd 指定路径

Execution Workflow

Step 1: File Validation

确认输入文件为 .pdf 格式
检查文件大小（>100MB 警告）
获取PDF页数，记录总页数
一次仅处理一个PDF文件

Step 2: PDF Type Detection

判断PDF类型，决定后续解析路径：

使用 scripts/parse_pdf_dimensions.py --detect 检测
判定逻辑：
- 提取前N页文本内容，若文本量 > 阈值（如200字符/页）→ 矢量PDF（路径A）
- 文本量极少或为空 → 扫描件PDF（路径B）
- 混合情况（部分页有文本、部分无）→ 逐页判断，分别走对应路径

Step 3: Dimension Extraction

路径A: 矢量PDF

执行 scripts/parse_pdf_dimensions.py <pdf_path> --mode vector
脚本使用 PyMuPDF 提取文本层，保留坐标信息
正则匹配尺寸标注模式（见 references/dimension_notation.md）
记录每个尺寸的页码和坐标位置

路径B: 扫描件PDF

执行 scripts/parse_pdf_dimensions.py <pdf_path> --mode scan
脚本将PDF页面渲染为高分辨率图像（300 DPI）
使用 pytesseract OCR 识别文本
正则匹配尺寸标注模式
对每个识别结果评估置信度（见 Confidence Scoring Rules）

Step 4: Key Dimension Filtering

从所有提取的尺寸中，筛选标注前含 * 号的尺寸
* 号识别规则：
- 矢量PDF：文本中紧邻尺寸值前的 * 字符
- 扫描件：OCR结果中尺寸值前的 *（需注意OCR可能将 * 误识为其他字符，置信度降低）
不含 * 的尺寸不输出

Step 5: Tolerance Parsing

对每个关键尺寸解析公差信息，详细规则见 references/tolerance_parsing.md。

支持的公差格式：

| 格式 | 示例 | 解析结果 | |------|------|----------| | 对称公差 | *Ø50±0.02 | nominal=50, upper=+0.02, lower=-0.02 | | 不对称公差 | *50 +0.1/-0.05 | nominal=50, upper=+0.1, lower=-0.05 | | 配合代号（孔） | *Ø50 H7 | 查表换算为数值公差 | | 配合代号（轴） | *Ø50 g6 | 查表换算为数值公差 | | 螺纹公差 | *M8-7H | 螺纹中径/大径公差 | | 无公差 | *50 | 按GB/T 1804未注公差（标注"未注公差"） |

Step 6: Confidence Assessment

对每个提取的尺寸评估置信度：

| 置信度等级 | 分值范围 | 条件 | Excel标记 | |-----------|---------|------|-----------| | HIGH | 0.9-1.0 | 矢量PDF，文本清晰，*号明确 | 无特殊标记 | | MEDIUM | 0.7-0.89 | 矢量PDF但部分字符模糊，或扫描件OCR质量好 | 黄色底色 | | LOW | 0.5-0.69 | 扫描件OCR质量一般，号识别不确定 | 橙色底色 + "人工复核"标记 | | VERY LOW | <0.5 | 扫描件质量差，尺寸值或号无法确认 | 红色底色 + "人工复核"标记 |

Step 7: Duplicate Dimension Handling

同一尺寸在多视图中重复标注时的处理：

比对规则：名义值 + 尺寸类型 + 公差均相同 → 判定为重复标注
重复标注的尺寸全部列出（不合并、不去重）
在 Excel "备注" 列标注 "重复标注-人工复核"
在 "页码" 列列出所有出现的页码（如 P1, P3）

Step 8: Excel Output Generation

执行 scripts/generate_inspection_excel.py <json_data> -o <output_path>
生成质检用Excel文件

输出文件名： {图号或文件名}_关键尺寸清单_{YYYYMMDD}.xlsx

Excel 列定义：

| 列序 | 列名 | 说明 | 填写方 | |------|------|------|--------| | A | 序号 | 自增编号 | 自动 | | B | 图号 | 标题栏提取，无法提取则用文件名 | 自动 | | C | 页码 | 尺寸所在页码 | 自动 | | D | 尺寸标注 | 原始标注文本（含*号） | 自动 | | E | 尺寸类型 | 线性/直径/角度/螺纹/半径 | 自动 | | F | 名义值 | 数值 | 自动 | | G | 上偏差 | 数值 | 自动 | | H | 下偏差 | 数值 | 自动 | | I | 上限 | 名义值 + 上偏差 | 自动 | | J | 下限 | 名义值 + 下偏差 | 自动 | | K | 单位 | mm 或 inch | 自动 | | L | 置信度 | HIGH/MEDIUM/LOW/VERY LOW | 自动 | | M | 位置描述 | 视图名称+大致区域 | 自动 | | N | 备注 | 重复标注/未注公差/人工复核等 | 自动 | | O | 实测值 | | 质检待填 | | P | 判定 | 合格/不合格 | 质检待填 | | Q | 不合格原因 | | 质检待填 | | R | 检验员 | | 质检待填 | | S | 检验日期 | | 质检待填 |

Excel 格式规则：

表头：深蓝底白字，加粗，居中
置信度颜色标记：按 Step 6 规则填充行底色
质检待填列（O-S）：浅灰底色，提示用户填写
冻结首行
列宽自适应
添加自动筛选

Error Handling

| 异常场景 | 处理方式 | |---------|---------| | PDF加密/密码保护 | 提示用户解除密码后重试 | | PDF损坏无法打开 | 报错退出，提示文件可能损坏 | | 依赖缺失（PyMuPDF/ocr等） | 提示安装命令，不继续执行 | | 矢量PDF无文本层 | 自动切换到扫描件路径B | | OCR引擎未安装 | 提示安装Tesseract，仅支持矢量PDF路径 | | 未提取到任何关键尺寸 | 输出空Excel（仅表头），备注"未检测到带*号的关键尺寸" | | 标题栏信息无法识别 | 图号列填入PDF文件名 | | 配合代号无法查表 | 公差列填入原始代号，上下偏差标注"需人工查表" |

Units Handling

默认单位 mm
若标题栏或图纸标注中检测到 inch/in/IN 标记 → 单位切换为 inch
输出Excel中K列明确标注单位
同一图纸中不混用单位（以标题栏声明单位为准）

Resources

scripts/

parse_pdf_dimensions.py - PDF解析主脚本。输入PDF文件路径，输出JSON格式的尺寸数据。支持 --detect（检测PDF类型）、--mode vector（矢量模式）、--mode scan（扫描模式）参数。
generate_inspection_excel.py - Excel生成脚本。输入JSON数据，输出质检用.xlsx文件，含置信度高亮和重复标注标记。

references/

tolerance_parsing.md - 公差解析详细规则，含ISO配合代号查表（孔H系列、轴g/h/k/n/p/s系列常用等级）、螺纹公差解析规则、未注公差等级表（GB/T 1804）。
dimension_notation.md - 尺寸标注识别规则，含正则表达式模式库、GB制图标准尺寸标注格式说明、常见标注变体处理。