如何从市场传单PDF提取产品信息至CSV？多款工具尝试未果

针对你提取市场传单产品数据的需求，结合你之前遇到的OCR识别错误、顺序混乱、提取不全问题，提供以下3种可行方案：

方案1：开源OCR+布局分析（Tesseract + LayoutParser） #

这个组合能精准识别页面布局，避免文本顺序混乱，同时提升OCR准确率：

• 步骤1：获取目标页面的高清资源
  因为目标是网页版传单，用Selenium渲染页面并截取第10页的高清截图：

  from selenium import webdriver
  from selenium.webdriver.common.by import By
  import time
  
  driver = webdriver.Chrome()
  driver.get("目标网页URL")
  # 切换到第10页（根据网页翻页按钮定位，示例为点击文本为"10"的按钮）
  page_10_btn = driver.find_element(By.XPATH, "//button[text()='10']")
  page_10_btn.click()
  time.sleep(2)  # 等待页面加载完成
  driver.save_screenshot("page_10.png")
  driver.quit()
  

• 步骤2：用LayoutParser识别产品区块
  LayoutParser能自动检测页面中的独立产品单元，避免跨产品的文本混杂：

  import layoutparser as lp
  import cv2
  
  image = cv2.imread("page_10.png")
  # 加载预训练的布局检测模型（适配传单类文档）
  model = lp.Detectron2LayoutModel(
      config_path="lp://PubLayNet/mask_rcnn_X_101_32x8d_FPN_3x/config",
      label_map={0: "Text", 1: "Title", 2: "List", 3: "Table", 4: "Figure"},
      extra_config=["MODEL.ROI_HEADS.SCORE_THRESH_TEST", 0.8]
  )
  layout = model.detect(image)
  # 过滤出产品相关的文本区块（可根据坐标和大小调整筛选条件）
  product_blocks = [block for block in layout if block.width > 100 and block.height > 50]
  

• 步骤3：逐个区块识别文本并提取字段
  对每个产品区块单独用Tesseract识别，再拆分名称、原价、折扣价：

  import pytesseract
  
  pytesseract.pytesseract.tesseract_cmd = r'你的Tesseract安装路径'
  for block in product_blocks:
      x1, y1, x2, y2 = block.coordinates
      product_region = image[int(y1):int(y2), int(x1):int(x2)]
      text = pytesseract.image_to_string(product_region, lang='ita')  # 意大利语模型适配目标传单
      # 根据文本格式拆分字段（示例按换行和关键词分割）
      lines = [line.strip() for line in text.split('\n') if line.strip()]
      product_name = lines[0]
      original_price = [line for line in lines if '€' in line and 'sconto' not in line][0]
      discount_price = [line for line in lines if 'sconto' in line or '€' in line][-1]
      print(f"产品名称：{product_name}，原价：{original_price}，折扣价：{discount_price}")
  

方案2：商用高精度OCR API（Google Cloud Vision/AWS Textract） #

商用API自带成熟的布局分析和实体识别能力，能大幅降低识别错误率：

• 以Google Cloud Vision为例：
  1. 上传第10页的图片或PDF到Google Cloud Storage，调用DOCUMENT_TEXT_DETECTION接口，获取带坐标的文本结果。
  2. 根据文本的坐标位置分组，同一产品的名称、价格会处于相邻区域，通过y轴坐标判断归属关系。
  3. 从分组后的文本中提取对应字段，API会返回文本的置信度，可过滤低置信度结果。

方案3：直接抓取网页DOM数据（最优，避免OCR） #

目标传单是网页形式，直接分析HTML结构抓取数据是最精准的方式：

• 步骤1：用浏览器开发者工具查看第10页的产品DOM结构，找到产品容器的类名或标签（比如每个产品对应<div class="product-item">）。
• 步骤2：用Python的BeautifulSoup抓取数据：

  import requests
  from bs4 import BeautifulSoup
  
  url = "目标网页URL"
  headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36"}
  response = requests.get(url, headers=headers)
  soup = BeautifulSoup(response.text, 'html.parser')
  # 定位第10页的产品列表（需根据实际DOM结构调整选择器）
  products = soup.select("div.page-10 .product-item")
  for product in products:
      product_name = product.select_one(".product-name").text.strip()
      original_price = product.select_one(".original-price").text.strip()
      discount_price = product.select_one(".discount-price").text.strip()
      print(f"产品名称：{product_name}，原价：{original_price}，折扣价：{discount_price}")
  

  注意：如果网页是动态加载的，需要用Selenium代替requests渲染页面后再解析。

内容的提问来源于stack exchange，提问作者user22028791