导入
- 接受的输入: PDF 文件。其他类型会被拒绝,并在导入报告中列出。
- 添加方式: 在文件对话框中多选,或把文件夹拖进窗口。
- 每个文件的信息: 文件名、大小、页数、SHA-256 的前 12 个字符,以及是否存在文本层。
- 扫描版 PDF: 会被导入,没有文本的页面标记为
Needs OCR,无法被文本规则匹配。 - 原件: 以只读方式打开,用于计算哈希和提取文本。不会写回。
规则
一条规则由一个名称和一个条件组成。条件针对整个文件进行比较:
| 条件 | 示例 | 匹配要求 |
|---|---|---|
| 文件名包含 | invoice |
文件名中的子串,不区分大小写 |
| 文本包含 | purchase order |
提取文本某一页中的子串 |
| 页数 | 大于 20 |
与页数比较 |
| 文件大小 | 小于 2 MB |
与文件大小比较 |
优先级。 规则有先后顺序。多条规则同时命中时,优先级最高的命中成为建议,其余命中仍作为证据保留。上移或下移规则只会改变哪条建议胜出。
命中说明。 每条建议都会记录规则名、文件、命中的页码(如果有),以及命中的关键词或比较条件。规则不再命中时,说明会指出哪一部分没有匹配上。
复核状态
| 状态 | 如何产生 | 导出时怎么写 |
|---|---|---|
| 已接受 | 你按原建议接受 | 你接受的类别 |
| 已修改 | 你选择了另一个类别 | 你选择的类别,同时保留原规则命中作为证据 |
| 已忽略 | 你驳回了建议 | 不写类别;文件仍留在列表中 |
| Needs Review | 你未处理时的默认状态 | Needs Review,绝不写未确认的建议 |
未确认的建议不会被当作已做出的决定导出。因此新文件夹的第一次导出通常会有很多 Needs Review 行。
导出
选择一个输出文件夹,应用会写出三份结果。
CSV 清单
每个文件一行:文件名、大小、页数、SHA-256、类别、复核状态、命中规则、命中页码、命中关键词。可以用任意表格软件打开;0.2.0 只支持 CSV,不支持 XLSX。
索引 PDF
按已确认类别生成的目录树,每条记录旁标注原文页码,读者可以从索引回到原件中的对应页。
原件 ZIP
PDF 原件本身,未经修改,另附清单,让哈希随文件一起交付。原件是复制,不是移动。
事后核对哈希
清单中的 SHA-256 列与导入列表显示的是同一个值(完整值,不只是前 12 个字符)。对任意文件重新计算,可以确认记录的原始文件与导出的文件仍然一致:
Get-FileHash .\some-file.pdf -Algorithm SHA256
已知限制
- 不做 OCR。没有文本层的页面不会被读取。
- 不合并、拆分、加密、解密或修复 PDF。
- 不导出 XLSX,界面不支持多语言。
- 没有云存储、账号或分享链接。