基于Python提取多格式PDF特定文本的实现方案咨询

针对多排版PDF定向提取适配难、规则不统一的问题，直接采用带格式元数据提取+可配置规则集的方案即可，不需要堆叠多个独立库，核心用PyMuPDF就能覆盖绝大多数场景，比纯文本正则的适配性高一个量级。

核心实现逻辑 #

你之前调用PyMuPDF、pdfplumber只取了纯文本内容，完全浪费了库能拿到的格式元数据：每个文本片段的字体大小、是否加粗、坐标位置、特殊字符标记、字体类型这些信息，才是做定向区间提取的核心依据，比纯文本关键词匹配靠谱得多。

• 第一类PDF（从Case 1提取到加粗菱形◆标记）：不需要写正则硬找菱形符号，直接遍历所有文本片段，当片段包含◆字符且属于加粗格式时，标记为区间终止点；找到文本以"Case"加数字开头的片段位置作为起始点，拼接两个位置之间的所有文本即可，完全不受换行、缩进、跨页拆分的影响。
• 第二类PDF（按history/examination/investigations章节切分）：这类医学文档的章节标题普遍有固定格式特征（加粗、字号大于正文、单独占行），先把所有符合标题特征的文本块按从上到下的阅读顺序排序，再按标题名切分相邻标题之间的内容块即可，不会因为不同PDF的标题大小写、前后多余空格、标点差异匹配失败。

多格式适配方案 #

不要把提取逻辑硬编码在脚本里，做一层可配置规则层，核心提取逻辑完全复用，新增PDF格式只需要加一条规则配置，不需要重写代码：

• 每类PDF的规则配置仅需定义3类信息：起始位置匹配规则（支持关键词、加粗/字号等格式特征）、终止/切分位置匹配规则、需要导出的字段名
• 配置示例：

# 第一类PDF提取规则
PDF_TYPE1_RULE = {
    "match_type": "range",
    "start": {"keyword": "Case", "is_bold": False},
    "end": {"keyword": "◆", "is_bold": True},
    "export_fields": ["case_content"]
}

# 第二类PDF提取规则
PDF_TYPE2_RULE = {
    "match_type": "section_split",
    "section_titles": ["history", "examination", "investigations"],
    "title_format": {"is_bold": True},
    "export_fields": ["history", "investigation"]
}

代码启动时先做PDF类型自动识别（可通过文档抬头、固定位置的特殊标识判断），自动加载对应规则执行提取即可，你手里剩下的5种以上格式PDF，每加一种只需要写10行以内的配置，维护成本极低。

兜底处理方案 #

• 遇到扫描版PDF：直接用PyMuPDF内置的OCR能力对接Tesseract，识别时保留每个文本块的坐标、置信度信息，和可编辑PDF的处理逻辑完全打通，不需要单独写一套OCR提取代码。
• 遇到文本块顺序错乱的PDF：所有提取到的文本块先按纵向坐标（上下位置）优先、横向坐标（缩进位置）次之排序，再做区间匹配，能解决90%以上排版错乱导致的内容顺序不对问题。

核心代码示例 #

基于PyMuPDF实现，替换了你之前只提取纯文本的逻辑，支持格式判断：

import fitz
import pandas as pd

def load_all_spans(pdf_path):
    """加载PDF所有文本片段，附带格式属性"""
    doc = fitz.open(pdf_path)
    all_spans = []
    for page in doc:
        page_blocks = page.get_text("dict")["blocks"]
        for block in page_blocks:
            if "lines" not in block:
                continue
            for line in block["lines"]:
                for span in line["spans"]:
                    # 追加加粗判断属性
                    span["is_bold"] = bool(span["flags"] & 16)
                    span["text_stripped"] = span["text"].strip().lower()
                    all_spans.append(span)
    doc.close()
    return all_spans

def extract_by_rule(spans, rule):
    """按配置规则提取目标内容"""
    result = {field: "" for field in rule["export_fields"]}
    if rule["match_type"] == "range":
        # 区间提取逻辑
        start_idx = None
        end_idx = None
        for idx, span in enumerate(spans):
            if start_idx is None and rule["start"]["keyword"] in span["text"] and span["is_bold"] == rule["start"]["is_bold"]:
                start_idx = idx
            if start_idx is not None and rule["end"]["keyword"] in span["text"] and span["is_bold"] == rule["end"]["is_bold"]:
                end_idx = idx
                break
        if start_idx is not None and end_idx is not None:
            result[rule["export_fields"][0]] = "".join([s["text"] for s in spans[start_idx:end_idx]]).strip()
    
    elif rule["match_type"] == "section_split":
        # 章节切分逻辑
        title_pos = []
        for idx, span in enumerate(spans):
            if span["text_stripped"] in rule["section_titles"] and span["is_bold"] == rule["title_format"]["is_bold"]:
                title_pos.append((idx, span["text_stripped"]))
        for i in range(len(title_pos)-1):
            cur_idx, cur_title = title_pos[i]
            next_idx = title_pos[i+1][0]
            if cur_title in result:
                result[cur_title] = "".join([s["text"] for s in spans[cur_idx+1:next_idx]]).strip()
    return result

if __name__ == "__main__":
    all_extract_result = []
    # 此处可加自动识别PDF类型、加载对应规则的逻辑
    test_rule = PDF_TYPE2_RULE
    spans = load_all_spans("target_file.pdf")
    all_extract_result.append(extract_by_rule(spans, test_rule))
    # 导出到Excel
    pd.DataFrame(all_extract_result).to_excel("extract_output.xlsx", index=False)

避坑提示：不要把纯文本正则作为核心匹配逻辑，纯文本丢失了所有格式信息，只要PDF出现换行、多余空格、特殊字符编码差异就会匹配失效，结合格式特征的匹配准确率普遍能达到95%以上。

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