Python实现单PDF中多份W-2C表单结构化数据提取至Excel

针对你的需求（100多份W-2C表单合并PDF，提取字段到Excel，每行对应一份表单），分两种核心场景给出具体实现方案：

场景1：PDF是原生可复制文本（非扫描件） #

这类PDF能直接提取文本，但布局混乱，核心思路是利用W-2C字段的固定标签，通过正则匹配定位对应值，再整理成结构化数据。

具体步骤： #

1. 使用pdfplumber读取PDF每页文本（它比PyPDF2更能保留布局相关的文本顺序）。
2. 针对每个表单的文本块，编写正则表达式匹配每个字段（比如雇主信息、SSN、薪资等）。
3. 将提取的字段整理为字典，批量存入列表后转换为DataFrame，最终导出到Excel。

示例代码： #

import pdfplumber
import re
import pandas as pd

def extract_w2c_fields(page_text):
    # 定义字段匹配规则，根据实际PDF文本调整正则
    field_patterns = {
        "雇主名称地址": r"a\s+Employer’s name, address, and ZIP code\s+(.*?)\s+b\s+Employer identification number",
        "雇主EIN": r"b\s+Employer identification number \(EIN\)\s+(.*?)\s+c\s+Tax year/Form corrected",
        "纳税年度": r"c\s+Tax year/Form corrected\s+(.*?)\s+d\s+Employee’s correct SSN",
        "雇员正确SSN": r"d\s+Employee’s correct SSN\s+(.*?)\s+e\s+Corrected SSN and/or name",
        "原申报薪资": r"Previously reported\s+1\s+Wages, tips, other compensation\s+(\d+\.\d+)",
        "修正后薪资": r"Correct information\s+1\s+Wages, tips, other compensation\s+(\d+\.\d+)"
    }
    
    extracted = {}
    for field_name, pattern in field_patterns.items():
        match = re.search(pattern, page_text, re.DOTALL)
        extracted[field_name] = match.group(1).strip() if match else None
    return extracted

# 批量处理PDF页面
all_form_data = []
with pdfplumber.open("w2c_batch.pdf") as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        if text:
            all_form_data.append(extract_w2c_fields(text))

# 导出到Excel
df = pd.DataFrame(all_form_data)
df.to_excel("w2c_extracted.xlsx", index=False)

场景2：PDF是扫描件（图片格式） #

这类PDF无法直接复制文本，必须结合OCR识别，再提取字段。核心工具用Tesseract OCR配合pdf2image转换PDF到图片。

具体步骤： #

1. 用pdf2image将PDF每页转换为图片。
2. 用pytesseract对图片进行OCR识别，得到文本。
3. 复用场景1的正则匹配逻辑提取字段，最终导出Excel。

示例代码： #

from pdf2image import convert_from_path
import pytesseract
import re
import pandas as pd

# 配置Tesseract路径（若未加入系统环境变量）
# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

def extract_w2c_from_image(image):
    # OCR识别文本
    ocr_text = pytesseract.image_to_string(image, lang='eng')
    # 复用字段匹配逻辑
    field_patterns = {
        "雇主名称地址": r"a\s+Employer’s name, address, and ZIP code\s+(.*?)\s+b\s+Employer identification number",
        "雇主EIN": r"b\s+Employer identification number \(EIN\)\s+(.*?)\s+c\s+Tax year/Form corrected",
        # 其余字段同场景1...
    }
    
    extracted = {}
    for field_name, pattern in field_patterns.items():
        match = re.search(pattern, ocr_text, re.DOTALL)
        extracted[field_name] = match.group(1).strip() if match else None
    return extracted

# 转换PDF为图片并处理
images = convert_from_path("w2c_scanned.pdf")
all_form_data = []
for img in images:
    all_form_data.append(extract_w2c_from_image(img))

# 导出到Excel
df = pd.DataFrame(all_form_data)
df.to_excel("w2c_scanned_extracted.xlsx", index=False)

优化建议： #

• 若表单布局完全固定，扫描版可结合OpenCV定位输入框坐标，截取对应区域后再OCR，能大幅提升准确率。
• 批量处理时添加错误捕获逻辑，避免单个表单提取失败导致整个程序中断。
• 正则表达式需根据实际PDF的文本格式微调（比如换行、空格的差异）。

内容的提问来源于stack exchange，提问作者lesshours