PDF数据提取技能#

描述#

从PDF文件中智能提取商品标签数据（商品编码、商品名称、商品批次、商品数量），并输出到Excel文件。

使用场景#

• 从PDF文件中提取结构化数据
• 处理包含跨行文本的商品名称
• 将提取的数据保存为Excel格式
• 需要精确匹配商品编码和名称的场景

核心功能#

1. 智能提取：自动识别PDF中的数据块
2. 跨行处理：正确处理跨越多行的商品名称
3. 精确匹配：基于预定义的名称列表进行精确匹配
4. 数据验证：验证提取结果的准确性

使用方法#

基本用法#

bash

# 激活虚拟环境
source ../venv/bin/activate

# 运行提取脚本
python extract_exact.py

脚本说明#

• extract_exact.py：主提取脚本
• 输入： Lisa-3.pdf
• 输出： Lisa-3_精确提取.xlsx

文件结构#

text

my-pdf-extract-skill/
├── SKILL.md              # 本文件
├── references/
│   └── 完整标签数据.png  # 参考图片
├── scripts/
│   └── extract_exact.py  # 提取脚本
└── README.md             # 使用说明

依赖#

• Python 3.8+
• pdfplumber
• pandas
• openpyxl

安装依赖#

bash

pip install pdfplumber pandas openpyxl

配置#

在脚本中修改以下变量：

python

pdf_path = "./Lisa-3.pdf"          # PDF文件路径
output_path = "./Lisa-3_精确提取.xlsx"  # 输出文件路径

示例#

python

# 提取数据
labels = extract_exact_data(pdf_path)

# 保存到Excel
df = pd.DataFrame(labels)
df.to_excel(output_path, index=False)

注意事项#

1. PDF文件必须是文本可提取的（非扫描件）
2. 商品名称列表需要根据实际情况调整
3. 跨行名称需要手动合并处理
4. 建议先测试小批量数据

故障排除#

• 问题：提取的商品数量不正确 解决：检查PDF中的CODIGO行格式
• 问题：商品名称不完整 解决：调整名称分割逻辑
• 问题：Excel文件无法打开 解决：检查openpyxl安装和文件权限

扩展#

要适配其他PDF格式，可以：

1. 修改 extract_exact_data 函数中的正则表达式
2. 更新 get_exact_names 函数中的名称列表
3. 调整数据块识别逻辑

作者#

[你的名字]

版本#

v1.0.0