Python实现多PDF匹配Excel多行关键词全量校验方案求助

问题背景 #

我是Python初学者，在开发业务校验脚本过程中遇到问题，特来求助。本次开发目标为校验指定必填信息（即关键词）是否存在于对应PDF文件中：现有一份Excel文件，每行对应一笔交易记录，需校验当日收到的对应PDF文件中，是否包含每笔交易及其关联的所有必填信息。
具体场景如下：Excel工作表的多行存储了每笔交易对应的必填信息，另有一个文件夹存放当日所有待校验PDF文件。我尝试提取每个PDF的文本内容，校验Excel每行对应的信息是否完整存在于某一个PDF中，参考了社区相关解决方案但尚未实现完整可用的功能。

现有代码 #

目前已完成PDF内容提取、关键词检索部分的代码编写：

Import os
from glob import glob
import re
from PyPDF2 import PdfFileReader

def search_page(pattern, page):
    yield from pattern.findall(page.extractText())

def search_document(pattern, path):
    document = PdfFileReader(path)
    for page in document.pages:
        yield from search_page(pattern, page)

searchWords = ['my list of keywords in each row of my Excel file']
pattern = re.compiler(r'\b(?:%s)\b' % '|'.join(searchWords))

for path in glob('path of my folder with all the pdf files'):
    matches = search_document(pattern, path)

上述代码参考Stack Overflow上用于统计关键词出现次数的方案编写
目前已知可以用pandas读取Excel指定列，但无法将读取到的内容接入检索逻辑（现有检索逻辑接收字符串输入而非逐行的关键词列表），Excel读取代码如下：

import pandas as pd

df=pd.read_excel('path of my Excel file', sheet_name=0, usecols='G,L,R,S,Z')
print(df) # 校验是否选中正确列，过滤其他无关列的冗余信息

待解决问题 #

• 如何为Excel每一行生成对应的检索关键词列表，并接入前述PDF检索代码逻辑
• 如何实现全词匹配校验逻辑：要求某一行的所有关键词必须全部存在于同一个PDF中（即同一笔交易的所有信息必须归集在同一个PDF内）
• 如何输出校验结果：某行全部关键词匹配成功则返回类似“第X行校验通过”的提示，匹配失败则返回错误提示，逐行完成所有交易记录的校验

补充说明：最初计划仅通过Python提取数据后接入Alteryx工作流，但公司环境下Alteryx的Python工具不支持部分所需依赖包，因此需要独立的Python脚本实现全流程。

解决方案 #

首先修正现有代码的三处基础笔误：

1. 模块导入关键字import为小写，原代码开头写的大写Import会触发语法错误
2. 正则编译方法为re.compile，原代码写的re.compiler不存在
3. glob匹配文件夹下所有PDF需要加通配符，正确路径格式为目标文件夹路径/*.pdf，否则无法匹配到文件

实现思路 #

1. 逐行遍历读取到的Excel数据，过滤空单元格，为每一行生成独立的关键词列表，行号和Excel实际行号对齐方便排查
2. 提前遍历所有PDF文件，一次性提取全文本缓存到字典中，避免每次校验行数据都重复读取PDF，提升运行效率
3. 对每一行的关键词列表，遍历缓存的PDF文本，只要找到某一个PDF包含该行全部关键词即判定校验通过，否则判定失败，同时输出缺失的关键词方便定位问题

完整可运行代码 #

import os
from glob import glob
import re
import pandas as pd
from PyPDF2 import PdfFileReader

# 配置项 - 修改为实际本地路径
EXCEL_PATH = "你的交易Excel文件完整路径.xlsx"
PDF_FOLDER_GLOB = "存放待校验PDF的文件夹路径/*.pdf"
IGNORE_CASE = True  # 匹配时是否忽略大小写
HAS_EXCEL_HEADER = True  # Excel是否有表头，有表头则行号从2开始计数

def extract_pdf_text(pdf_path):
    """提取单个PDF的全部文本内容"""
    full_text = ""
    reader = PdfFileReader(pdf_path, strict=False)
    for page in reader.pages:
        page_text = page.extractText()
        if page_text:
            full_text += page_text + "\n"
    return full_text

def is_all_keywords_matched(keywords, text):
    """检查文本中是否全词匹配所有关键词"""
    flag = re.IGNORECASE if IGNORE_CASE else 0
    for kw in keywords:
        kw_clean = kw.strip()
        if not kw_clean:
            continue
        # 转义关键词中的正则特殊字符，避免匹配异常
        kw_pattern = re.compile(rf"\b{re.escape(kw_clean)}\b", flag)
        # *中文关键词适配：如果关键词包含中文，\b边界不生效，可替换为下面的直接包含判断
        # if kw_clean not in text:
        if not kw_pattern.search(text):
            return False
    return True

if __name__ == "__main__":
    # 1. 读取Excel，生成逐行关键词映射
    df = pd.read_excel(EXCEL_PATH, sheet_name=0, usecols='G,L,R,S,Z')
    row_keywords = {}
    for df_idx, row in df.iterrows():
        excel_row_num = df_idx + 2 if HAS_EXCEL_HEADER else df_idx + 1
        kw_list = []
        for cell in row:
            if pd.notna(cell):
                cell_str = str(cell).strip()
                if cell_str:
                    kw_list.append(cell_str)
        if kw_list:
            row_keywords[excel_row_num] = kw_list

    # 2. 预加载所有PDF文本
    pdf_cache = {}
    for pdf_path in glob(PDF_FOLDER_GLOB):
        try:
            pdf_text = extract_pdf_text(pdf_path)
            pdf_cache[os.path.basename(pdf_path)] = pdf_text
            print(f"已加载PDF：{os.path.basename(pdf_path)}")
        except Exception as e:
            print(f"加载PDF失败 {os.path.basename(pdf_path)}，错误：{str(e)}")

    # 3. 逐行校验输出结果
    print("\n" + "="*20 + " 开始校验 " + "="*20)
    pass_num = 0
    fail_num = 0
    for row_num, kws in row_keywords.items():
        matched_pdf = ""
        for pdf_name, pdf_text in pdf_cache.items():
            if is_all_keywords_matched(kws, pdf_text):
                matched_pdf = pdf_name
                break
        if matched_pdf:
            print(f"第{row_num}行校验通过，匹配文件：{matched_pdf}")
            pass_num += 1
        else:
            # 统计缺失关键词
            missing = []
            for kw in kws:
                kw_clean = kw.strip()
                exist = False
                for pdf_text in pdf_cache.values():
                    flag = re.IGNORECASE if IGNORE_CASE else 0
                    if re.search(rf"\b{re.escape(kw_clean)}\b", pdf_text, flag):
                        exist = True
                        break
                if not exist:
                    missing.append(kw_clean)
            print(f"第{row_num}行校验失败，未找到包含全部关键词的PDF，缺失关键词：{', '.join(missing)}")
            fail_num += 1

    print(f"\n校验完成：共{pass_num}条记录通过，{fail_num}条记录失败")

补充说明 #

• 如果关键词包含中文，正则的\b单词边界规则无法正确识别中文词边界，把is_all_keywords_matched函数里的正则判断替换为注释里的直接包含判断即可
• 如果PyPDF2对部分格式复杂的PDF提取文本效果差，可以替换为pdfplumber库，提取文本的逻辑基本一致，识别准确率更高
• 脚本默认输出校验失败行缺失的关键词，不需要可以自行删除对应逻辑

内容的提问来源于stack exchange，提问作者Doc blue