如何实现重文本PDF/HTML结构化段落提取并导出指定格式Excel

该需求完全可实现，无需硬编码大量分支判断，基于EUR-Lex平台文档的标准化结构，按以下步骤实现即可稳定输出符合字段要求的Excel表格。

1. 补全缺失的页码信息 #

放弃纯HTML解析丢页码、纯PDF解析结构乱的二选一思路，用双源匹配的方式解决：

• 用pymupdf（导入名为fitz）加载官方PDF文件，逐页提取所有文本块，每个文本块自带所在页码属性，建立「文本片段:页码」的映射字典，取文本前20个字符做匹配键即可，容错率足够。
• 保留同版本HTML做结构解析，遍历HTML段落节点时，用段落文本前20个字符去映射字典里查对应页码，直接给节点挂载页码属性，不需要手动识别PDF排版。

2. 替换硬编码匹配为正则+状态机 #

你之前遇到的章节重复匹配、引用内容重复问题，本质是没有做上下文状态留存和节点去重，不需要引入NLTK，用基础正则加三个状态变量就能解决：

• 初始化三个全局状态变量，遍历DOM节点时实时更新：
  • doc_title：固定为文档总标题，即欧盟《人工智能法案》（Regulation (EU) 2024/1689）
  • current_section：存储当前所属一级节标题，初始为空
  • current_subtitle：存储当前所属二级子节标题，初始为空
• 编写两个基础正则规则匹配层级标题，匹配到对应节点时立刻更新对应状态变量：
  • 一级节匹配规则：r'^(CHAPTER|Section)\s+[IVX0-9]+'，适配EUR-Lex文档统一的「CHAPTER/Section + 罗马/阿拉伯数字编号」的一级标题格式
  • 二级子节匹配规则：r'^(Article|Subsection)\s+[0-9]+'，适配「Article/Subsection + 阿拉伯数字编号」的二级标题格式
• 节点去重逻辑：每处理完一个节点，给节点加data-processed=1的自定义标记，后续遍历到带该标记的节点直接跳过，彻底解决引用内容重复写入的问题。
• 有效正文判断逻辑：排除匹配到的一二级标题节点，过滤掉页脚、版权声明类节点（这类节点统一以/*、纯数字页码开头，直接正则过滤即可），剩余的<p>标签节点即为需要写入的正文段落。

3. 直接写入Excel，跳过中间文本文件 #

你已经完成表头写入的前提下，不需要额外输出格式化中间文件，直接逐行写入即可：

• 行号从1开始计数（第0行留作已写好的表头），每识别到一个有效正文段落，按列顺序写入五个字段：
  • 第0列：节点挂载的页码值
  • 第1列：固定的doc_title值
  • 第2列：当前状态的current_subtitle值
  • 第3列：当前状态的current_section值
  • 第4列：用BeautifulSoup的.get_text(strip=True)方法提取的段落纯文本，自动去除多余换行、首尾空格
• 每写完一行，行号自增1即可。

• 不要尝试纯PDF解析章节结构，EUR-Lex的PDF存在跨页断行、标题被文本块拆分的问题，HTML做结构解析+PDF补页码的组合方案稳定性远高于纯PDF解析。
• 正则匹配不需要写得过于严格，只要匹配标题开头的编号特征就更新状态，段落内的有序/无序列表内容直接归属到当前状态对应的章节下即可，不需要额外解析列表层级。
• 如果遇到标题被拆分到多个相邻<span>标签的情况，直接拼接相邻同层级标题节点的文本，再赋值给对应状态变量即可。

内容的提问来源于stack exchange，提问作者n00bee