pdf解析需先判别类型：用pdfinfo和pdfplumber.chars密度判断文本型或扫描型；文本型优先用extract_words保留布局，表格用extract_table；扫描型需dpi=300转图+预处理+psm 6+chi_sim ocr；字段提取应基于锚点坐标偏移，而非硬编码正则。

PDF 解析不是“读个文件”那么简单——直接用 open() 只能得到乱码，而盲目套用 OCR 工具又容易在纯文本 PDF 上白白拖慢速度、引入识别噪声。关键得先判断 PDF 类型，再选对工具链。

怎么快速判断 PDF 是文本型还是扫描型？

别急着上 PyPDF2 或 pdfplumber，先用命令行或 Python 快速探查结构：

• 终端执行 pdfinfo your_file.pdf，看输出里是否有 Pages: 但无 Tagged: 或 Form: 字段——这还不够，继续验证
• Python 中用 PyPDF2.PdfReader 打开后调用 reader.pages[0].extract_text()，如果返回空字符串或极短内容（如仅换行符），大概率是图像型
• 更稳的方法：用 pdfplumber.open() 加 page.chars 检查字符密度——若 len(page.chars) 且页面宽度 > 500，基本可判定为扫描件

纯文本 PDF 提取字段：别只依赖 extract_text()

PyPDF2 和 pdfplumber 的 extract_text() 默认会抹平换行、合并空格、丢弃坐标信息，导致“姓名：张三 电话：138…”被压成一行，正则难匹配。

提示词大师-python版

图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍

下载

• 优先用 pdfplumber 的 page.extract_words(x_tolerance=2, y_tolerance=2) 获取带位置的词列表，再按 y 坐标分块，保留原始排版逻辑
• 对齐式表格（如发票明细）必须用 page.extract_table()，而非文本提取——它能识别线框和空白分隔，PyPDF2 完全不支持此功能
• 中文 PDF 要显式指定 use_text_flow=True（pdfplumber v0.7+），否则竖排或复杂字体下文字顺序错乱

扫描型 PDF 怎么避免 OCR 翻车？

用 pytesseract 直接喂整页图，小字号、表格线、水印都会让识别率断崖下跌。

• 先用 pdf2image.convert_from_path() 转图，分辨率设为 dpi=300（低于 200 会漏字，高于 400 内存暴涨）
• 对每张图做预处理：cv2.threshold() 二值化 + cv2.medianBlur() 去噪，特别针对公章遮挡区域做局部裁剪再识别
• OCR 时传参 config='--psm 6 -l chi_sim'：psm 6 表示“假设为单块均匀文本”，比默认 psm 3 更稳；-l chi_sim 必须显式指定简体中文模型，否则默认英文
• 识别后立刻用规则过滤：比如身份证号校验用 re.match(r'^\d{17}[\dXx]$', text)，电话号用 \b1[3-9]\d{9}\b，剔除 OCR 常见错字（如“O”当“0”、“l”当“1”）

字段定位不稳定？试试基于布局锚点的相对提取

硬写正则找“金额：(.+?)元”在不同模板中极易失效——发票可能写“金额（¥）”，合同可能写“本合同总金额为”。

• 先定位强锚点：如固定文字“收款人：”、图标（用 page.chars 找连续的 “★” 或 “■”）、或表格标题行（含“序号”“名称”“单价”等关键词）
• 以锚点坐标为原点，用偏移量提取邻近字段：例如找到“金额：”右侧 20px、同一行 y±5px 范围内的所有 word，拼接后去空格
• 对多页文档，锚点位置可能偏移，建议用第一页训练偏移范围，后续页动态校准（如计算“供应商”字段 y 坐标标准差，超 3px 就重搜）

最麻烦的永远不是“能不能提”，而是“换一份 PDF 格式就崩”。实际项目里，80% 的维护成本花在应对新模板的微小差异上——加一个空格、换一种分割线、改个字体粗细，都可能让基于坐标的提取逻辑失效。留好日志，把每一步的中间结果（坐标、OCR 原文、正则匹配片段）打出来，比写完美代码重要得多。

Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！