本文介绍如何利用 pdfplumber 高效提取 PDF 中所有含美元符号（$）的交易明细行，避开复杂正则匹配与表头识别难题，实现稳定、可复用的结构化数据抽取。
本文介绍如何利用 pdfplumber 高效提取 pdf 中所有含美元符号（`$`）的交易明细行，避开复杂正则匹配与表头识别难题，实现稳定、可复用的结构化数据抽取。
在处理美国国会公开财务披露 PDF（如 House Clerk 的 PTR 文件）时，常见挑战是：文档未使用标准表格结构，而是以自由排版呈现“交易明细”区块，导致 pdfplumber.extract_table() 失效，而基于关键词或正则的全文匹配又易漏行、误匹配表头或页脚。此时，金额字段（$...）作为高度特异、低噪声的业务锚点，成为最可靠的行级定位依据。
以下为推荐的稳健提取方案——不依赖表头识别、不强求格式一致性，仅通过 $ 符号定位有效交易行，并做轻量清洗：
import io
import requests
import pdfplumber
pdf_url = "https://disclosures-clerk.house.gov/public_disc/ptr-pdfs/2016/20005444.pdf"
response = requests.get(pdf_url)
response.raise_for_status() # 确保网络请求成功
transactions = []
with io.BytesIO(response.content) as f:
with pdfplumber.open(f) as pdf:
for page in pdf.pages:
text = page.extract_text()
if not text: # 跳过空页或 OCR 失败页
continue
for line in text.splitlines():
# 关键判断：行中包含 '$' 且非纯页眉/页脚（如 "Filing Status" 含 $ 但非交易行）
if "$" in line and len(line.strip()) > 20: # 基础长度过滤，避免短干扰项
# 清洗前缀（如示例中的 "JT "），支持灵活扩展
cleaned_line = line.strip().removeprefix("JT ").removeprefix("FIlINg STATuS:").strip()
if cleaned_line: # 确保清洗后非空
transactions.append(cleaned_line)
print(f"共提取 {len(transactions)} 条交易记录：")
for i, t in enumerate(transactions[:5], 1): # 仅打印前5条预览
print(f"{i}. {t}")
✅ 该方法的优势：
- 高召回率：覆盖所有含金额的交易行，无论其是否紧邻表头、是否跨页、是否被分栏干扰；
- 低维护成本：无需反复调试正则表达式，适应同类 PDF 格式微调；
- 容错性强：对 OCR 识别误差（如 S/5、O/0 混淆）仍保持核心字段可用。
⚠️ 注意事项与进阶建议：
- 避免误抓：部分 PDF 可能在页眉/页脚含 $（如“Total: $1,234”），可通过 len(line.strip()) > 20 或正则 r'^[A-Za-z0-9().,\-\s]{30,}\$\d' 增加置信度；
- 字段结构化：若需进一步拆分为 asset, transaction_type, date, amount 等字段，建议在清洗后使用 re.split(r'\s+(?=\w{1,3}\s+\d{1,2}/\d{1,2}/\d{4})', line) 按交易类型前缀切分，或采用 pandas.read_csv(StringIO(line), sep=r'\s{2,}', engine='python')；
- 多页聚合：交易记录常跨页，建议将全部页面结果合并后，再按业务逻辑（如日期排序、重复去重）后处理；
- 性能优化：对大批量 PDF，可启用 pdfplumber.open(..., pages=[n]) 指定页码，或改用 page.extract_text(x_tolerance=1, y_tolerance=1) 提升文本提取精度。
此策略本质是“以业务语义驱动解析”，而非拘泥于文档视觉结构——当 PDF 不是为机器阅读设计时，抓住最具区分度的语义标记（如 $），往往比追求完美表格还原更高效、更可靠。
