如何用Python提取PDF订单信息并导出为Excel表格

针对你需要提取多页PDF订单数据并导出到Excel的需求，这里提供一套适合Python新手的实现步骤和代码：

第一步：安装必要依赖 #

先安装两个核心库：pdfplumber（用于精准提取PDF文本）和pandas（用于处理数据并导出Excel）

pip install pdfplumber pandas

第二步：核心代码实现 #

以下代码会遍历PDF每一页，先提取页面顶部的订单号和日期，再提取每一行商品数据，最后将商品数据和对应的订单信息关联，导出到Excel：

import pdfplumber
import pandas as pd
import re

# 定义要提取的列名
columns = ["order number", "order date", "code", "items", "quantity", "price", "total"]
data_list = []

# 打开PDF文件
with pdfplumber.open("你的订单文件.pdf") as pdf:
    current_order_no = None
    current_order_date = None
    
    for page in pdf.pages:
        # 提取当前页所有文本，按行分割
        page_text = page.extract_text()
        lines = page_text.split("\n")
        
        # 遍历每一行文本，先找订单头信息（订单号、日期）
        for line in lines:
            # 匹配订单号（根据你的PDF格式调整正则）
            order_no_match = re.search(r"Order No\.: (\w+-\d+)", line)
            if order_no_match:
                current_order_no = order_no_match.group(1)
            
            # 匹配订单日期（同理调整正则）
            order_date_match = re.search(r"Order Date\.: (\d{2}/\d{2}/\d{4})", line)
            if order_date_match:
                current_order_date = order_date_match.group(1)
            
            # 匹配商品行（根据PDF实际格式调整正则）
            item_match = re.search(r"(\w+) +(.+?) +(\d+) +(\d+\.\d+) +(\d+\.\d+)", line)
            if item_match and current_order_no and current_order_date:
                code = item_match.group(1)
                items = item_match.group(2).strip()
                quantity = item_match.group(3)
                price = item_match.group(4)
                total = item_match.group(5)
                
                # 将数据添加到列表
                data_list.append([
                    current_order_no,
                    current_order_date,
                    code,
                    items,
                    quantity,
                    price,
                    total
                ])

# 将数据转为DataFrame并导出到Excel
df = pd.DataFrame(data_list, columns=columns)
df.to_excel("订单提取结果.xlsx", index=False)
print("数据已成功导出到订单提取结果.xlsx")

关键调整说明 #

1. 正则表达式：上面的正则是基于样图格式编写的，实际使用时需要根据你的PDF文本格式修改order_no_match、order_date_match、item_match的正则规则，确保能精准匹配对应内容。
2. 文本结构适配：如果PDF里的订单头和商品行位置有变化，可能需要调整遍历逻辑，比如先扫描完页面所有订单头，再处理商品行。
3. 测试调试：建议先拿单页PDF测试，打印page_text查看文本结构，再逐步调整正则和提取逻辑。

内容的提问来源于stack exchange，提问作者learner