固定格式变页数PDF提取应付赠款机构信息遇阻求解决方案

1. 精准定位PDF结构区域 #

既然PDF格式固定，先通过PyMuPDF解析页面的文本块坐标：

• 使用doc.get_page_text("blocks")获取每一页的文本块及对应坐标信息，分析机构详情所在的固定矩形区域（比如每一页的特定y轴范围）
• 遍历页面时直接过滤出该区域内的文本块，避免全局文本干扰，再做初步清洗

2. 基于关键词的规则匹配 #

结合你的触发关键词列表，编写针对性正则规则：

• 若详情是“关键词+内容”的格式（如“机构名称：XX基金会”），用正则r'机构名称：(.*?)\n'提取对应内容
• 若为表格形式，给Tabula添加lattice=True参数强制按表格解析，同时手动指定目标列的位置（可先用Tabula GUI工具确认表格坐标）

3. 自定义实体识别优化 #

如果用SpaCy/NLTK效果不佳，训练专属实体模型：

• 标注一批你的PDF中的机构名称、赠款金额等实体样本
• 用SpaCy的spacy train命令训练自定义NER模型，适配你的PDF文本格式，提升识别准确率

4. 工具组合与多页处理 #

• 扫描版PDF先通过pytesseract做OCR识别，再用上述方法提取文本
• 编写循环逻辑，对每一页重复执行相同的提取规则，最后将结果合并为JSON/CSV等结构化格式

测试代码调整示例 #

针对PyMuPDF的区域提取优化代码：

import fitz

doc = fitz.open("target.pdf")
# 替换为实际目标区域的坐标范围
target_y_start = 150
target_y_end = 600

for page in doc:
    blocks = page.get_text("blocks")
    for block in blocks:
        x0, y0, x1, y1, text, _, _ = block
        if target_y_start <= y0 <= target_y_end:
            print(text.strip())

内容的提问来源于stack exchange，提问作者Umesh Kumar