如何使用Python读取PDF收据中的商品编码？

• 第一步：提取PDF文本内容
  优先直接从PDF提取文本，比转Word/TXT更靠谱。推荐用Python的pdfplumber（能更好保留文本结构）或PyMuPDF（处理速度快），示例代码：

  import pdfplumber
  
  def extract_pdf_text(pdf_path):
      text = ""
      with pdfplumber.open(pdf_path) as pdf:
          for page in pdf.pages:
              text += page.extract_text() or ""
      return text
  

  如果是扫描生成的PDF（本质是图片），转Word/TXT没用，得用OCR工具，比如Tesseract配合pytesseract：

  import pytesseract
  from pdf2image import convert_from_path
  
  def ocr_scanned_pdf(pdf_path):
      pages = convert_from_path(pdf_path)
      text = ""
      for page in pages:
          text += pytesseract.image_to_string(page, lang='chi_sim+eng')  # 根据收据语言调整参数
      return text
  

• 第二步：用正则匹配数字编码
  针对纯数字编码，先假设编码是6-12位连续数字（可根据实际长度调整），用正则批量提取：

  import re
  
  def extract_product_codes(text):
      # 匹配6到12位连续数字，可修改数字范围适配你的编码
      pattern = r'\b\d{6,12}\b'
      codes = re.findall(pattern, text)
      # 去重避免重复提取
      return list(set(codes))
  

  如果编码有特定规律（比如固定开头数字），可以调整正则，比如r'\b88\d{8}\b'匹配以88开头的10位编码。

• 第三步：筛选有效编码
  文本里可能混有金额、日期等无关数字，可通过以下方式过滤：

  • 找“商品编码”“货号”等关键词附近的数字；
  • 用已知的编码范围（比如企业规定的编码区间）过滤；
  • 手动校验少量结果，调整正则规则。

• 批量处理建议
  若要处理大量PDF，可写循环遍历文件夹内所有文件，自动提取编码并导出到Excel/CSV文件。

内容的提问来源于stack exchange，提问作者JW JW