Python提取PDF购物小票文本后如何解析为结构化数据存储？

第一步：先做文本预处理，不要上来就写解析规则 #

你现在用PdfReader.extract_text()拿到的原始文本首先要做标准化清洗，这步做不好后面规则全错：

• 按行拆分整段文本：调用text.splitlines()拿到逐行内容的列表，过滤掉全是空格/不可见字符的空行，把每行首尾的空白、小票机打印带的控制符（换页符、错位制表符）全部清掉
• 提前锚定固定标识：REWE超市的小票排版是完全固定的，先扫一遍所有行，把你确定含义的固定特征串位置先记下来，比如SUMME（总金额）、VISA（支付记录）、USt-IdNr.（UID编号）、Pfand（退瓶费）这些固定关键字的行号，后面切分区块直接用这些锚点，不用逐行猜。

注意：如果你的扫描版PDF直接提取文本错位率超过20%（比如文字串行、缺字），别硬补规则，直接换OCR流程：用pdf2image把PDF转成图片，再用pytesseract做德语+英语识别，比硬调错位文本的规则省至少一半时间。

第二步：头部元数据提取，用正则就能全覆盖 #

头部字段全是带固定前缀或者固定格式的内容，不需要复杂逻辑：

• 商户名称、地址：小票最顶部带REWE字样的第一行就是商户名，后面连续到Tel:（联系电话）之前的行拼接起来就是地址
• 联系电话：匹配前缀为Tel:/Telefon:的行，提取后面的数字串即可
• UID编号：匹配前缀为USt-IdNr.的行，提取前缀后的字符串就是对应编号
• 交易日期、时间：直接用正则匹配DD.MM.YYYY HH:MM格式的字符串，REWE的交易时间一般在支付记录行附近
• 总金额、支付信息：匹配SUMME开头的行抓后面的欧元数值，匹配VISA开头的行抓支付金额即可，注意德国地区的小数是用逗号分隔的，提取后要替换成点再转浮点数

基础正则示例：

import re
# 提取总金额
total_match = re.search(r"SUMME\s+([0-9]+,[0-9]{2})\s*€", cleaned_full_text)
total = float(total_match.group(1).replace(",", ".")) if total_match else None
# 提取日期时间
dt_result = re.search(r"(\d{2}\.\d{2}\.\d{4})\s+(\d{2}:\d{2})", cleaned_full_text)
trade_date, trade_time = dt_result.groups() if dt_result else (None, None)

第三步：商品明细提取，按区块切分后逐行解析 #

商品明细区的边界非常好判断：就是头部信息结束后，到SUMME总金额行之前的所有行，把这块单独切出来之后逐行匹配规则即可：

• REWE的正常商品行特征是行尾为X,XX €格式的价格，价格前面的文本就是商品名，价格旁的单个大写字母（A/B）就是税率标识（A对应7%食品低税率，B对应19%标准税率）
• 带Pfand关键字的行就是退瓶费，直接记为对应上一件商品的附加费用即可
• 带Rabatt关键字、数值前带负号的行就是折扣行，记为对应商品的扣减金额
• 转pandas DataFrame的逻辑非常简单：每解析完一条完整商品，就存为一个结构固定的字典，比如{"goods_name": "Vollmilch", "price": 1.19, "tax_tag": "A", "pfand": 0.25, "discount": 0.0}，所有商品解析完后把字典列表直接传入pd.DataFrame()就能生成结构化表，不需要额外转换工具。

存储方案选择 #

• 个人归档场景优先存JSON：每张小票对应一个字典，外层放所有元数据字段，内层加goods_list字段放解析好的商品明细列表，读写无依赖，备份也方便
• 如果后续要做多小票统计、筛选查询，直接用Python内置的sqlite3模块搭本地库就行，建两张表：一张存小票元数据（主键小票ID、商户名、总金额、交易时间等），一张存商品明细（外键关联小票ID、商品名、价格、税费、退瓶费等），不需要额外安装数据库服务，维护成本极低。

效率提升方案 #

如果后续需要处理不同商户的小票，不用自己从零写所有规则，可以直接用receiptparser库，内置了大部分欧洲商超的小票排版规则，传入清洗好的文本就能直接输出结构化结果。个人场景不建议一开始就接入大模型做解析，固定排版下正则+规则的准确率能到100%，速度比大模型快几十倍，也没有额外成本，遇到规则实在覆盖不了的特殊小票再用大模型做兜底解析就行。

内容的提问来源于stack exchange，提问作者ziazo