如何自动从PDF文件提取章节？批量提取年报管理层报告需求

核心问题分析 #

你之前用正则匹配标题和后续章节只拿到目录，大概率是因为PDF里的目录标题和正文标题格式/位置重叠，正则没区分开正文区域和目录区域的内容。

具体解决思路 #

1. 先区分PDF的目录与正文区域 #

• 先过滤页码范围：多数年报的目录集中在前几页，正文从固定页码（比如第5页）之后开始，可以先排除前N页内容，再在剩余正文里匹配章节。
• 利用PDF书签定位：规范的年报PDF通常带书签（大纲），可以直接通过书签找到「Management Report」对应的页码区间，再提取该区间内容。用Python的pdfplumber实现的示例代码：

import pdfplumber

with pdfplumber.open("annual_report.pdf") as pdf:
    # 遍历书签定位目标章节
    for bookmark in pdf.bookmarks:
        if "Management Report" in bookmark["title"]:
            start_page = bookmark["page"]
            # 取下一个书签页码作为结束位置（无后续书签则取最后一页）
            next_idx = pdf.bookmarks.index(bookmark) + 1
            end_page = pdf.bookmarks[next_idx]["page"] - 1 if next_idx < len(pdf.bookmarks) else len(pdf.pages) - 1
            # 提取区间内的文本
            content = ""
            for page_num in range(start_page, end_page + 1):
                content += pdf.pages[page_num].extract_text()
            print(content)
            break

2. 优化正则匹配逻辑 #

如果PDF没有书签，调整正则规则避开目录：

• 目录标题通常带后续页码（比如「Management Report 15」），正文标题无页码后缀，正则可匹配不带数字后缀的「Management Report」作为起始，到下一个一级标题（比如「Financial Statements」）结束。
• 利用标题格式特征：正文章节标题一般字号更大、加粗，pdfplumber能提取文本的字体信息，先筛选出字号≥14且带Bold标识的文本，确认是正文标题后再开始提取。示例代码片段：

with pdfplumber.open("annual_report.pdf") as pdf:
    start_extract = False
    content = ""
    target_title = "Management Report"
    next_title = "Financial Statements"
    for page in pdf.pages:
        # 提取带格式的文本块
        for chunk in page.extract_words(extra_attrs=["fontname", "size"]):
            text = chunk["text"]
            # 匹配正文起始标题（加粗+大字号）
            if not start_extract and target_title in text and "Bold" in chunk["fontname"] and chunk["size"] >=14:
                start_extract = True
                content += text + "\n"
            # 匹配结束标题，停止提取
            elif start_extract and next_title in text and "Bold" in chunk["fontname"] and chunk["size"] >=14:
                start_extract = False
                break
            elif start_extract:
                content += text + " "
        if not start_extract:
            break
    print(content)

3. 批量处理效率优化 #

• 用多线程/多进程加速：Python的concurrent.futures模块可以同时处理多个PDF，避免单线程逐个处理耗时过长。
• 统一遍历规则：如果文件名有规律（比如「Company_2023_Annual_Report.pdf」），可以批量遍历目标文件夹，自动处理所有文件。

避坑提示 #

• 扫描版PDF是图片格式，无法直接提取文本，需要先用OCR工具（比如pytesseract）转成可编辑文本，再按上述方法处理。
• 不同公司年报标题可能有变体（比如「Management Discussion and Analysis」），可以把这些变体加入匹配列表，避免遗漏。

内容的提问来源于stack exchange，提问作者Limps