PDF В TASK: Извлечение Реквизитов В Таблицу

Дата актуализации: 2026-05-14

TASK может читать PDF как read-only источник через PyMuPDF. Это подходит для векторных PDF с текстовым слоем, когда нужно извлечь реквизиты в DOCX/XLSX отчёт. PDF не редактируется, точные замены для PDF не применяются.

Куда Класть PDF

Положите PDF в:

копироватьinput\

В GUI используйте:

копироватьЗАДАЧА ДЛЯ OPENAI
ЗАДАЧА ДЛЯ GEMINI

или:

копироватьСпециализированные команды -> Быстрая задача

Поле Страниц PDF в Дополнительно ограничивает чтение первых страниц PDF. По умолчанию читаются первые 5 страниц.

Если нужен чистый табличный результат по готовому образцу, положите DOCX/XLSX шаблон таблицы в input\, включите поле Чистая таблица по шаблону и выберите файл в поле Шаблон таблицы. Пустое поле выбирает шаблон автоматически только в простом случае: во всём input\ есть ровно один DOCX/XLSX-файл и есть другие исходные файлы, например PDF.

Когда PDF Подходит

Подходит:

• PDF содержит выделяемый текст;
• нужно извлечь таблицу реквизитов, а не править документ;
• реквизиты находятся на первых страницах, титульных листах или в штампах.

Не подходит без OCR:

• PDF сделан из сканов;
• текст превращён в кривые/контуры;
• реквизиты видны только как изображение.

Чистый Экспорт По Шаблону

Режим нужен, когда полный TASK-отчёт слишком технический, а на выходе нужна простая таблица, повторяющая пользовательский образец.

Как Подготовить Файлы

Положите исходные документы в input\ или во вложенные папки:

копироватьinput\2019\...
input\2024\...

Положите шаблон таблицы тоже в input\, например:

копироватьinput\Таблица_СТП_ГП _ПЗЗ с реквизитами.docx

Шаблон может быть DOCX или XLSX:

• DOCX: используется первая таблица документа;
• XLSX: используется первый лист книги.

Как TASK Определяет Шаблон

TASK создаёт чистую таблицу только если включено поле:

копироватьЧистая таблица по шаблону

После этого шаблон определяется так:

1. Если в поле Шаблон таблицы выбран конкретный DOCX/XLSX, используется он.
2. Если поле Шаблон таблицы пустое, TASK ищет автошаблон среди входных файлов.
3. Автошаблон выбирается только когда во всём input\ найден ровно один

DOCX/XLSX и при этом есть другие исходные файлы для обработки.

1. Если DOCX/XLSX несколько, пустой выбор не угадывает шаблон: чистый экспорт

пропускается, чтобы не взять неправильную таблицу.

1. Если выбранный шаблон не найден или имеет не DOCX/XLSX-расширение, запуск

завершится ошибкой.

Выбранный шаблон исключается из корпуса источников до LLM-запроса. То есть модель извлекает данные из PDF/DOCX/PPTX/XLSX-источников, но не из самой таблицы-образца.

Как Шаблон Превращается В Колонки

Для DOCX:

• берётся первая таблица;
• первая строка таблицы становится списком колонок;
• вторая строка считается примером формата значений.

Для XLSX:

• берётся первый лист;
• первая непустая строка становится списком колонок;
• следующая непустая строка считается примером формата значений.

Пример DOCX-шаблона:

Наименование	Вид градостроительной документации	Кем утверждено	Дата	номер
Ильинское сельское поселение	Об утверждении правил землепользования и застройки Ильинского сельского поселения	решение Совета Ильинского сельского поселения	от 26.06.2024	№ 94

Из этого TASK поймёт:

• на выходе должно быть ровно 5 колонок;
• ключи в values должны называться точно так же;
• дата должна выглядеть как от ДД.ММ.ГГГГ;
• номер должен выглядеть как № N.

Лишние поля из ответа модели, например source_file, confidence или missing_fields, не попадают в чистую таблицу, если таких колонок нет в шаблоне. Они остаются в полном TASK-отчёте.

Что Должна Вернуть Модель

В запросе нужно явно попросить модель вернуть значения в values с ключами, которые совпадают с колонками шаблона.

Минимальный пример:

копироватьИзвлеки реквизиты для заполнения таблицы.

Верни одну строку на каждый исходный документ.

В values заполни колонки ровно с такими названиями:
- Наименование
- Вид градостроительной документации
- Кем утверждено
- Дата
- номер

Не сокращай значения основных колонок.
Если значение не найдено, оставь пустым.
В quote дай короткую цитату-основание.
В notes укажи сомнения и OCR-искажения.
Replacements не возвращай.

Если модель вернёт ключ Дата, он попадёт в колонку Дата. Если вернёт date вместо Дата, чистый экспорт эту колонку не заполнит, потому что имена должны совпадать с шаблоном.

Как TASK Экспортирует Чистый Результат

После LLM-прохода всегда остаются обычные технические результаты:

копироватьoutput\_doc_tasks\<timestamp>__doc_task.json
output\_doc_tasks\<timestamp>__doc_task.xlsx
output\_doc_tasks\<timestamp>__doc_task.docx
output\_doc_tasks\<timestamp>__doc_task.md

Если включён чистый экспорт и шаблон определён, дополнительно создаются:

копироватьoutput\_doc_tasks\<timestamp>__doc_task_clean.json
output\_doc_tasks\<timestamp>__doc_task_clean.xlsx
output\_doc_tasks\<timestamp>__doc_task_clean.docx

DOCX-копия создаётся только для DOCX-шаблона. Если шаблон XLSX, TASK создаст чистые JSON и XLSX.

Чистый XLSX создаётся заново с колонками шаблона. Чистый DOCX создаётся как копия DOCX-шаблона: первая таблица очищается до заголовка и заполняется новыми строками.

Пустые строки, где все колонки пустые, не попадают в чистый экспорт.

Что Постобработка Исправляет, А Что Нет

Постобработка делает только форматные операции:

• добавляет от к дате, если образец во второй строке начинается с от;
• приводит номер к виду № N;
• убирает хвост от ... № ... из соседних колонок, если дата и номер уже

вынесены в отдельные колонки.

Постобработка не исправляет смысловые ошибки:

• не угадывает правильное название поселения;
• не исправляет OCR-искажения букв;
• не выбирает между несколькими похожими объектами;
• не заполняет отсутствующие значения из внешней памяти.

Такие случаи должны оставаться в notes, confidence, missing_fields или обычном DOCX/XLSX/JSON отчёте TASK. Чистая таблица - это аккуратный экспорт уже извлечённых значений, а не второй скрытый LLM-редактор.

Практический Порядок В GUI

1. Очистите или подготовьте input\.
2. Положите исходные документы в input\2019\, input\2024\ или другие

подпапки.

1. Положите DOCX/XLSX-шаблон таблицы в input\.
2. Откройте ЗАДАЧА ДЛЯ OPENAI или ЗАДАЧА ДЛЯ GEMINI.
3. Выберите инструкцию TASK или используйте `Специализированные команды ->

Быстрая задача`.

1. В запросе перечислите колонки ровно как в первой строке шаблона.
2. Включите Чистая таблица по шаблону.
3. В поле Шаблон таблицы выберите DOCX/XLSX. Пустой выбор оставляйте только

если в input\ заведомо один DOCX/XLSX-файл и есть другие исходные файлы.

1. При PDF-источниках настройте Страниц PDF, если реквизиты находятся дальше

первых 5 страниц.

1. Запустите TASK и заберите чистые файлы из output\_doc_tasks\.

CLI-Пример

То же самое можно запустить из CLI:

копироватьruntime\python.exe system_core\doc_task_runner.py run --recursive --provider openai --resume --clean-table --clean-table-template "Таблица_СТП_ГП _ПЗЗ с реквизитами.docx"

--clean-table-template принимает путь относительно input\ или абсолютный путь к DOCX/XLSX-шаблону.

Шаблон: Реквизиты Проекта

Текст можно вставить в Быстрая задача и при необходимости сохранить в кэш.

копироватьИзвлеки реквизиты проекта с первых страниц документов.

Верни одну строку на каждый исходный файл или на каждый явно отдельный проект,
если в одном файле их несколько. Ничего не выдумывай: если поле не найдено,
оставь пустым и укажи это в missing_fields.

В values заполни колонки:
- source_file
- project_name
- project_code
- object_name
- object_address
- customer
- developer
- designer
- contractor
- document_stage
- document_set_or_volume
- contract_number
- date
- source_pages
- confidence
- missing_fields

В quote дай короткую цитату-основание. В notes укажи неоднозначности.
Replacements не возвращай.

Шаблон: Реквизиты Документа

копироватьИзвлеки реквизиты документа с первых страниц.

Верни одну строку на каждый документ. Не извлекай реквизиты проекта, если они
не относятся к самому документу. Если поле не найдено, оставь пустым.

В values заполни колонки:
- source_file
- document_title
- document_code
- document_number
- revision
- version
- approval_status
- organization
- author_or_responsible
- date
- pages_or_volume
- source_pages
- confidence
- missing_fields

В quote дай короткую цитату-основание. В notes укажи неоднозначности.
Replacements не возвращай.

Шаблон: По Пользовательской Таблице

Если таблица нужна только один раз, перечислите колонки прямо в запросе. Если таблица повторяемая, положите DOCX/XLSX-шаблон в input\ рядом с PDF, включите Чистая таблица по шаблону и выберите этот шаблон. Подробный порядок описан выше в разделе Чистый Экспорт По Шаблону.

копироватьИзвлеки реквизиты по заданной ниже структуре таблицы.

Колонки результата:
[вставить список колонок]

Правила:
- ключи в values должны точно совпадать с названиями колонок шаблона;
- одна строка на каждый найденный объект/документ/проект;
- значения брать только из предоставленных блоков;
- если значение не найдено, оставить пустым;
- спорные случаи помечать в confidence и notes;
- в quote привести короткую цитату-основание;
- в source_pages указать страницы или блоки, откуда взяты значения;
- replacements не возвращать.

Шаблон: Строго По Образцу

Этот вариант полезен, когда модель начинает сокращать значения. Вставьте свои колонки и пример формата.

копироватьИзвлеки реквизиты для заполнения таблицы. Таблица/описание колонок является
ОБРАЗЦОМ точного стиля результата.

Верни одну строку на каждый исходный документ.

ОБЯЗАТЕЛЬНЫЕ КОЛОНКИ values, ровно с такими названиями:
- [колонка 1]
- [колонка 2]
- [колонка 3]

КРИТИЧЕСКИ ВАЖНО: не сокращай значения основных колонок.

Формат значений должен быть как в образце:
- [колонка 1]: "[пример полного значения]"
- [колонка 2]: "[пример полного значения]"
- [колонка 3]: "[пример полного значения]"

Правила:
- бери значения только из предоставленных блоков;
- если OCR искажает отдельные буквы, но реквизиты читаются, извлекай значение
  и отметь сомнение в notes;
- в quote дай короткую цитату-основание;
- replacements не возвращай.