如何自动提取PDF财务文档两列表格中的关联数据？

我正在开发一款读取财务文档并提取特定数据的代码。每个PDF文档结构不同，但目标数据始终在表格中，只是表格位置不固定。实际需求是：在两列的表格中，根据某一列的数据提取另一列的关联数据，例如表格数据为：

[A,Cash],[B,Card],[C,Swap],[D,Stock],[E,Derivative]

当输入C时，代码应返回Swap。请问如何实现全文档搜索并以字符串格式返回对应数据？

import tkinter as tk
from tkinter import filedialog
import pdfplumber
import re
import datetime
import dateparser

# 选择PDF文件
def select_pdf_file():
    root = tk.Tk()
    root.withdraw()  # 隐藏主窗口

    file_path = filedialog.askopenfilename(filetypes=[("PDF files", "*.pdf")])

    return file_path
    

def extract_and_merge_tables_with_dates(pdf_path):
    merged_data = []
    date_regex = re.compile(r'(\d{1,2}\s+[a-zA-Z]+\s+\d{4}|\d{1,2}/\d{1,2}/\d{2,4}|\d{1,2}-[a-zA-Z].+-\d{2,4})|\d{1,2}-[a-zA-Z]+-\d{2,4}')
    
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            tables = page.extract_tables()
            for table in tables:
                has_dates = any(date_regex.match(str(cell)) for row in table for cell in row)
                if has_dates:
                    for row in table[1:]:
                        merged_data.append(row)
                    
    
    # 使用dateparser将日期格式化为mm/dd/yyyy
    formatted_dates = []
    for row in merged_data:
        formatted_row = []
        for cell in row:
            if date_regex.match(str(cell)):
                parsed_date = dateparser.parse(str(cell))
                if parsed_date:
                    formatted_date = parsed_date.strftime("%-m/%d/%Y")
                    formatted_row.append(formatted_date)
                else:
                    formatted_row.append(cell)  # 保留无法解析的单元格内容
        formatted_dates.append(formatted_row)

    return formatted_dates

def sort_dates(data):
    return sorted(data, key=lambda x: datetime.datetime.strptime(x[0], "%m/%d/%Y") if x else datetime.datetime.max)

# 选择PDF文件
pdf_path = select_pdf_file()

# 提取并合并包含日期的表格
formatted_data = extract_and_merge_tables_with_dates(pdf_path)

# 按日期从旧到新排序数据
sorted_data = sort_dates(formatted_data)

# 移除重复日期的行
unique_dates_set = set()
unique_data = []

for row in sorted_data:
    date_string = row[0] if row else None
    if date_string not in unique_dates_set:
        unique_dates_set.add(date_string)
        unique_data.append(row)

# 打印去重后的数据
for row in unique_data:
    print(row)

要实现全文档搜索两列表格并根据输入值返回对应数据，可按以下思路修改代码：

1. 筛选两列表格：遍历PDF所有页面的表格，只保留列数为2的表格，同时跳过空行或单元格不完整的行。
2. 构建键值映射：将两列表格的第一列内容作为键，第二列内容作为值，存入字典实现快速查询（若存在重复键，后续行的内容会覆盖之前的）。
3. 实现查询功能：接收用户输入的键，从字典中返回对应的值，未找到时返回提示信息。

修改后的完整代码如下：

import tkinter as tk
from tkinter import filedialog
import pdfplumber

# 选择PDF文件
def select_pdf_file():
    root = tk.Tk()
    root.withdraw()
    file_path = filedialog.askopenfilename(filetypes=[("PDF文件", "*.pdf")])
    return file_path

# 提取所有两列表格并构建键值映射字典
def build_key_value_map(pdf_path):
    key_value_map = {}
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            tables = page.extract_tables()
            for table in tables:
                # 只处理标准两列的表格
                if len(table[0]) == 2:
                    for row in table:
                        # 跳过空行或单元格缺失的行
                        if len(row) >= 2 and row[0] is not None and row[1] is not None:
                            # 清洗单元格内容，去除多余空格和换行
                            key = str(row[0]).strip().replace('\n', '')
                            value = str(row[1]).strip().replace('\n', '')
                            key_value_map[key] = value
    return key_value_map

# 根据输入键查询对应值
def query_value(key_map, input_key):
    return key_map.get(input_key.strip(), "未找到对应数据")

# 主执行流程
if __name__ == "__main__":
    pdf_path = select_pdf_file()
    if pdf_path:
        key_map = build_key_value_map(pdf_path)
        input_key = input("请输入要查询的键：")
        result = query_value(key_map, input_key)
        print(f"查询结果：{result}")

补充说明 #

• 若PDF表格存在合并单元格，pdfplumber的extract_tables方法可能无法正确识别，需额外添加合并单元格的解析逻辑。
• 对于格式不规范的单元格内容（如包含换行、特殊符号），可在构建字典前进一步清洗字符串，提升查询准确性。

内容的提问来源于stack exchange，提问作者Hugo Actis