如何使用Python NLP从PDF文本中提取指定关键词对应的数值？

方案可行性说明 #

你初步设想的技术路径完全可行，10份PDF的量级下不需要担心效率问题，哪怕单份文件页数超过100页，整套流程跑下来总耗时也不会超过1分钟，远高于手动操作的效率。

分步实现逻辑 #

• 第一步：PDF文本提取与清洗
  优先选用pymupdf（fitz）库完成PDF文本提取，比PyPDF2、pdfminer的文本识别准确率更高，能更好保留数值与关键词的相邻位置关系。清洗阶段仅需去除多余换行、冗余空格、重复的页眉页脚内容即可，不要做过多文本归一化操作，避免破坏数值与关键词的关联结构。
• 第二步：spaCy规则匹配设计
  不用手动做全文遍历匹配，直接调用spaCy的Matcher组件，将「数值+关键词」「关键词+数值」的相邻关联写进匹配规则，可直接同时捞出关联的关键词和对应数值，不需要额外做位置判断：
  匹配规则覆盖两种常见的文本结构即可满足绝大多数场景需求：
  1. 数值（支持带千位分隔符的格式）+ 空格 + 目标关键词
  2. 目标关键词 + 冒号/空格 + 数值
     spaCy自带NUM词性标注能力，不需要自己写正则识别数值，千位分隔符格式的数字也能被准确识别为数值类型。
• 第三步：结果整理输出
  匹配到的结果按「PDF文件名、匹配关键词、对应数值、匹配上下文」四个字段存储到pandas DataFrame中，可直接导出为Excel或CSV文件，可增加去重逻辑避免同一内容被多次匹配统计。

注意：上述方案仅适用于可复制文本的原生PDF，如果是扫描件格式的PDF，需要先增加OCR识别步骤，用pytesseract将图片内容转为文本后再执行后续操作

核心参考代码 #

import spacy
from spacy.matcher import Matcher
import fitz
import pandas as pd

# 加载spaCy英文基础模型，小型模型即可满足需求
nlp = spacy.load("en_core_web_sm")
matcher = Matcher(nlp.vocab)

# 自定义目标关键词列表
TARGET_KEYWORDS = ["Metric Tonnes", "Volume", "Climate Change"]

# 写入匹配规则
for keyword in TARGET_KEYWORDS:
    # 拆分关键词为单个token，不区分大小写匹配
    keyword_tokens = [{"LOWER": token.lower()} for token in keyword.split()]
    # 规则1：数值在前，关键词紧随其后
    pattern1 = [{"POS": "NUM"}] + keyword_tokens
    # 规则2：关键词在前，中间可带标点/空格，后接数值
    pattern2 = keyword_tokens + [{"POS": "PUNCT", "OP": "?"}, {"POS": "NUM"}]
    matcher.add(keyword, [pattern1, pattern2])

# PDF文本提取函数
def extract_pdf_text(pdf_path):
    doc = fitz.open(pdf_path)
    full_text = ""
    for page in doc:
        full_text += page.get_text()
    # 基础清洗：合并多余空格和换行
    full_text = " ".join(full_text.split())
    return full_text

# 批量处理PDF文件
result_list = []
# 替换为你的PDF文件路径列表
pdf_file_list = ["file1.pdf", "file2.pdf", "file3.pdf"]

for pdf_path in pdf_file_list:
    text = extract_pdf_text(pdf_path)
    doc = nlp(text)
    matches = matcher(doc)
    for match_id, start, end in matches:
        keyword = nlp.vocab.strings[match_id]
        matched_span = doc[start:end]
        # 提取匹配到的数值
        matched_num = [token.text for token in matched_span if token.pos_ == "NUM"][0]
        result_list.append({
            "pdf_file_name": pdf_path,
            "matched_keyword": keyword,
            "extracted_value": matched_num,
            "context": matched_span.text
        })

# 导出结果到Excel
result_df = pd.DataFrame(result_list)
result_df.to_excel("关键词数值提取结果.xlsx", index=False)

效率优化建议 #

如果后续需要处理上百份甚至更多PDF，仅需给PDF文本提取步骤增加多进程逻辑即可，spaCy的匹配环节耗时极低可以忽略不计，单进程每秒可处理上万字的文本内容。

内容的提问来源于stack exchange，提问作者technophile_3