最近客户提了一个需求，就是将pdf文件中的发票图片提取出来，然后保存为发票图片并进行OCR识别。刚开始给的pdf文件很简单，就是每一页一张图片，报了个低价，写代码提取图片很快就搞定了。

然后刚用上不久，不出意外就出意外了，客户导入一张pdf后出现很多无法识别的图片，刚开始以为是压缩质量的问题，因为提取的图片需要保存指定格式，然后为了保证占用最少的空间和OCR识别成功率，选择了一个中等压缩比例。不说了，直接将压缩比例调到最高质量后测试没问题就交付了。果不其然，还是不行，于是让客户发一些有问题的pdf文件，打开一看，里面每一页除了发票，还有一些水印和二维码图片。不说了，调整程序，只提取宽度和高度不少于某个值的第一张图片。不出意外肯定出幺蛾子，有的一页有多张发票都要提取。继续改程序，ok了。

又用了不久，又出问题了。按惯例，让客户发有问题的pdf文件，打开一看没看到问题，每页就一张图片，非常清晰，但是提取出来的图片却没有文字，非常不解。后来想明白了，应该是拼接的，并不是一个整体，提取的时候文字没有提取就只有一个空白的发票。哎，说多了都是泪，怎么办呢，这下就不能只提取了，得把每一页的所有内容转换为图片再导出。但是在网上找了很久，但最终只有几个可行方案，大部分是付费的，最终找到一个免费的，但是要在服务器安装一个插件，然后再引入几个nuget包，最终解决了。

最后又优化了一下，先判断提取时有没有文字，有文字就采用把整页转换为图片的方式，没有文字就判断是否有多个图片，如果只有一张图片，就直接提取，如果有多张，就按之前的方案，只提取指定大小的图片，然后就交付了。最终运行效果不错，虽然还是有些小问题，比如有的是一张图片里放了几张发票，就是拍照时几张发票一起拍的，这种就没办法了（当然也不是完全没办法，通过AI识别并分离是可行的，但成本过高）。

所以有时候看着一个小需求，背后不简单。