报价单PDF信息提取技能 (Quotation PDF Extraction)#

从PDF产品目录中提取结构化产品信息，包括产品型号、起批量、价格、币种和产品图片。

核心原则#

1. 先理解PDF结构，再设计方案（关键！）#

必须执行的预分析步骤：

在编写提取代码前，必须先分析PDF的文本结构，理解以下关键信息：

1. 每行产品数量：一行包含1个还是多个产品？
   • 常见模式：每行1个产品、每行3个产品、每行4个产品
   • 检查方法：查看包含型号和数量的行，统计 (型号 数量) 模式出现次数
2. 数据组织方式：
   • 型号和数量是否在同一行？
   • 价格在同一行还是下一行？
   • 是否存在干扰文本（如装饰字符、页眉页脚）？
3. 结构分析代码模板：

python

import pdfplumber
import re

def analyze_pdf_structure(pdf_path):
    """分析PDF文本结构，理解产品组织方式"""
    with pdfplumber.open(pdf_path) as pdf:
        for page_num in range(min(5, len(pdf.pages))):  # 分析前5页
            page = pdf.pages[page_num]
            text = page.extract_text()
            lines = text.strip().split('\n') if text else []

            print(f'\n===== 第{page_num+1}页 - {len(lines)}行 =====')

            for i, line in enumerate(lines):
                # 高亮包含型号和数量的行
                if re.search(r'[A-Za-z0-9\-]+\s*\(\d+\s*Peças?\)', line):
                    # 统计这一行有多少个产品
                    products_in_line = len(re.findall(r'[A-Za-z0-9\-]+\s*\(\d+\s*Peças?\)', line))
                    print(f'  [{i}] >>> {line} ({products_in_line}个产品)')
                elif i < 30:
                    print(f'  [{i}] {line}')

# 使用
analyze_pdf_structure("/path/to/catalog.pdf")

分析示例输出：

text

===== 第2页 - 52行 =====
  [0] Catálogo Caixa Master
  [16] >>> JF-181 (144 Peças) JF-43 (144 Peças) JF-44 (144 Peças) (3个产品)
  [17] >>> R$12,00 R$11,00 R$11,00
  ...
  [33] >>> MY-46 (144 Peças) MY-48 (144 Peças) MY-62 (144 Peças) (3个产品)
  [34] >>> R$9,00 R$12,50 R$12,00

结论：每行包含3个产品，型号数量在一行，价格在下一行。

2. 数据必须来自PDF提取#

• 禁止硬编码：所有产品数据必须从PDF动态提取
• 禁止猜测：币种必须询问用户，不能假设

提取流程#

Phase 1: PDF结构分析#

python

import fitz
import pdfplumber

def analyze_pdf_structure(pdf_path):
    """分析PDF结构，理解产品组织方式"""
    doc = fitz.open(pdf_path)

    for page_num in range(len(doc)):
        page = doc[page_num]

        # 分析图片分布
        image_list = page.get_images(full=True)
        print(f"第{page_num+1}页: {len(image_list)}张图片")

        for img in image_list:
            xref = img[0]
            rects = page.get_image_rects(xref)
            if rects:
                x0, y0, x1, y1 = rects[0]
                print(f"  xref{xref}: x={x0:.0f}-{x1:.0f}, y={y0:.0f}-{y1:.0f}")

    doc.close()

Phase 2: 提取产品信息#

关键：正确处理每行多个产品的情况

python

def extract_products_from_pdf(pdf_path):
    """提取产品信息（型号、起批量、价格、X坐标）

    支持每行多个产品的格式，如：
    "JF-181 (144 Peças) JF-43 (144 Peças) JF-44 (144 Peças)"
    "R$12,00 R$11,00 R$11,00"
    """
    products = []

    with pdfplumber.open(pdf_path) as pdf:
        for page_num, page in enumerate(pdf.pages):
            text = page.extract_text()
            if not text:
                continue

            lines = text.strip().split('\n')
            words = page.extract_words()

            i = 0
            row_idx = 0

            while i < len(lines):
                line = lines[i].strip()

                # 跳过表头和无关行
                if any(h in line for h in ['Catálogo', 'Caixa Master', 'Flashing', 'Page', 'Av. Vautier']):
                    i += 1
                    continue

                # 跳过单字母行（装饰字符）
                if len(line) <= 3 and not any(c.isdigit() for c in line):
                    i += 1
                    continue

                # 关键：使用正则匹配所有 (型号 数量) 组合
                # 如：JF-181 (144 Peças) JF-43 (144 Peças) JF-44 (144 Peças)
                model_qty_pattern = r'([A-Za-z0-9\-/]+)\s*\((\d+)\s*Peças?\)'
                model_qty_matches = list(re.finditer(model_qty_pattern, line))

                if model_qty_matches:
                    # 获取下一行的价格信息
                    prices = []
                    if i + 1 < len(lines):
                        price_line = lines[i + 1].strip()
                        # 匹配所有价格 R$xx,xx 后面跟各种单位（Un、Par、Kit、Cx、Jogo等）
                        price_matches = re.findall(r'R\$([\d,.]+)', price_line)
                        prices = price_matches

                    # 为每个型号创建产品记录
                    for idx, match in enumerate(model_qty_matches):
                        model = match.group(1)
                        qty = match.group(2)

                        # 获取该型号在PDF中的X坐标（用于图片匹配）
                        x_center = None
                        y_coord = None

                        # 使用word位置信息来定位
                        for word in words:
                            if word['text'] == model or word['text'].startswith(model):
                                x_center = (word['x0'] + word['x1']) / 2
                                y_coord = word['top']
                                break

                        # 获取对应价格
                        price = prices[idx] if idx < len(prices) else ""

                        products.append({
                            '页码': page_num + 1,
                            '排号': row_idx,
                            '型号': model,
                            '产品名称': '',
                            '起批量': qty,
                            '价格': price,
                            'x_center': x_center,
                            'y_coord': y_coord
                        })

                    row_idx += 1
                    i += 2  # 跳过当前行和价格行
                else:
                    i += 1

    return products

重要：价格单位变体覆盖

不同PDF可能使用不同的价格单位后缀，常见的有：

• Un（个/件）
• Par（对/双）
• Kit（套件）
• Cx（箱）
• Jogo（套）
• Pares / Par（双）

正确的价格正则表达式：

python

# 匹配 R$XX,XX 后面跟各种单位
pattern = r'CX-(\d+)Pcs\s+R\$[：:]\s*([\d,]+)(?:Un|Par|Kit|Cx|Jogo|Pares?)'

# 如果单位格式不固定，可以先匹配价格数字，再单独处理单位
price_pattern = r'R\$([\d,]+)'  # 只匹配价格数字

重要：型号正则表达式应支持字母数字混合后缀

某些型号的结尾可能包含字母后缀，如 VPL-7001-H1、VPL-7001-H8H11、VPL-7001-HB3。

python

# 错误：只匹配数字后缀
model_pattern = r'VPL-\d+(?:-\d+)?'  # 会截断 VPL-7001-H1 为 VPL-7001

# 正确：支持字母数字混合后缀
model_pattern = r'VPL-[A-Z0-9\-]+'  # 完整匹配 VPL-7001-H1

重要：文件编码问题

Python脚本文件中的全角字符（如全角冒号 ：）可能在某些编码环境下失效。

python

# 确保文件使用UTF-8编码，在文件头添加：
# -*- coding: utf-8 -*-

# 正则中使用字面量字符而非Unicode转义序列
# 正确（字面量）：
pattern = r'CX-(\d+)Pcs\s+R\$[：:]\s*([\d,]+)(?:Un|Par)'
# 可能有问题（转义序列在字符类中）：
pattern = r'CX-(\d+)Pcs\s+R\$[\uFF1A:]\s*([\d,]+)(?:Un|Par)'

重要：处理跨行价格的情况

某些PDF布局中，多个产品行可能共享同一行价格：

text

第26行: MY-119 (576 Peças)                          <- 1个产品
第27行: MY-105/JF-96 (360 Peças) MY-106/JF-97 (216 Peças)  <- 2个产品
第28行: R$3,80 R$9,50 R$14,50                       <- 3个价格（为3个产品共用）

重要：处理数量在下一行的情况

某些PDF布局中，一行中既有完整产品又有数量在下一行的产品：

text

第51行: MY-27 (216 Peças) MY-28 (216 Peças) MY-29/X-129
第52行: (192 Peças)
第53行: R$9,50 R$9,50

正确的提取逻辑（处理跨行价格和跨行数量）：

python

def extract_products_from_pdf(pdf_path):
    """提取产品信息 - 修复：处理跨行价格和跨行数量"""
    products = []

    with pdfplumber.open(pdf_path) as pdf:
        for page_num, page in enumerate(pdf.pages):
            text = page.extract_text()
            if not text:
                continue

            lines = text.strip().split('\n')
            words = page.extract_words()

            i = 0
            pending_products = []  # 存储数量在下一行的产品

            while i < len(lines):
                line = lines[i].strip()

                # ... 跳过无关行 ...

                model_qty_pattern = r'([A-Za-z0-9\-/]+)\s*\((\d+)\s*Peças?\)'
                model_qty_matches = list(re.finditer(model_qty_pattern, line))

                # 处理待处理的产品（数量在当前行）
                if pending_products:
                    qty_match = re.match(r'^\((\d+)\s*Peças?\)', line)
                    if qty_match:
                        qty = qty_match.group(1)
                        for prod in pending_products:
                            prod['起批量'] = qty
                        pending_products = []
                    else:
                        pending_products = []

                if model_qty_matches:
                    # 收集价格
                    all_prices = []
                    j = i + 1

                    while j < len(lines):
                        next_line = lines[j].strip()

                        if re.search(model_qty_pattern, next_line):
                            break

                        price_matches = re.findall(r'R\$([\d,.]+)', next_line)
                        for price_str in price_matches:
                            for word in words:
                                if f'R${price_str}' == word['text'] or price_str in word['text']:
                                    all_prices.append({
                                        'price': price_str,
                                        'x': (word['x0'] + word['x1']) / 2
                                    })
                                    break

                        j += 1

                    # 处理完整匹配的产品
                    for match in model_qty_matches:
                        model = match.group(1)
                        qty = match.group(2)

                        x_center = None
                        y_coord = None

                        for word in words:
                            if word['text'] == model:
                                x_center = (word['x0'] + word['x1']) / 2
                                y_coord = word['top']
                                break

                        if x_center is None:
                            for word in words:
                                if word['text'].startswith(model):
                                    remaining = word['text'][len(model):]
                                    if remaining == '' or not remaining[0].isalnum():
                                        x_center = (word['x0'] + word['x1']) / 2
                                        y_coord = word['top']
                                        break

                        price = ""
                        if all_prices and x_center:
                            best_price = min(all_prices, key=lambda p: abs(p['x'] - x_center))
                            price = best_price['price']

                        products.append({
                            '页码': page_num + 1,
                            '型号': model,
                            '产品名称': '',
                            '起批量': qty,
                            '价格': price,
                            'x_center': x_center,
                            'y_coord': y_coord
                        })

                    # 关键修复：检查是否有型号在同一行但没有数量
                    if model_qty_matches:
                        last_match_end = model_qty_matches[-1].end()
                        remaining_text = line[last_match_end:].strip()

                        if remaining_text:
                            potential_model = remaining_text.split()[0]
                            if re.match(r'^[A-Za-z0-9\-/]+$', potential_model) and len(potential_model) >= 2:
                                # 获取坐标
                                x_center = None
                                y_coord = None
                                for word in words:
                                    if word['text'] == potential_model:
                                        x_center = (word['x0'] + word['x1']) / 2
                                        y_coord = word['top']
                                        break

                                if x_center:
                                    prod = {
                                        '页码': page_num + 1,
                                        '型号': potential_model,
                                        '产品名称': '',
                                        '起批量': '',  # 待填充
                                        '价格': '',
                                        'x_center': x_center,
                                        'y_coord': y_coord
                                    }
                                    pending_products.append(prod)
                                    products.append(prod)

                    i += 1
                else:
                    i += 1

    return products

Phase 3: 提取并过滤图片#

python

from PIL import Image
import numpy as np

def is_watermark_or_banner(img_path):
    """检测图片是否为水印、横幅或logo（非产品图片）"""
    try:
        pil_img = Image.open(img_path)
        width, height = pil_img.size

        # 尺寸过滤
        if width < 40 or height < 40:
            return True

        # 宽高比过滤
        aspect_ratio = width / height if height > 0 else 0
        if aspect_ratio > 4 or aspect_ratio < 0.25:
            return True

        # 内容分析
        gray = pil_img.convert('L')
        arr = np.array(gray)
        unique_colors = len(np.unique(arr))

        if unique_colors < 30:  # 水印/横幅通常颜色很少
            return True

        std_dev = np.std(arr)
        is_large = width > 200 and height > 200
        if is_large and unique_colors < 30 and std_dev < 30:  # 背景轮廓图
            return True

        return False
    except Exception:
        return True

def extract_images_filtered(pdf_path, output_dir):
    """提取PDF图片并过滤水印/横幅"""
    import os

    os.makedirs(output_dir, exist_ok=True)
    doc = fitz.open(pdf_path)
    extracted = []

    for page_num in range(len(doc)):
        page = doc[page_num]
        image_list = page.get_images(full=True)
        page_width = page.rect.width

        for img in image_list:
            xref = img[0]
            base_image = doc.extract_image(xref)
            rects = page.get_image_rects(xref)

            if not rects:
                continue

            for rect_idx, rect in enumerate(rects):
                x0, y0, x1, y1 = rect
                pdf_width = x1 - x0
                pdf_height = y1 - y0

                # 跳过左右边缘的小图标
                margin = 20
                is_in_x_margin = (x0 < margin or x1 > page_width - margin)
                if is_in_x_margin and pdf_width < 80 and pdf_height < 80:
                    continue

                img_filename = f"p{page_num+1}_xref{xref}_pos{rect_idx}.png"
                img_path = os.path.join(output_dir, img_filename)

                # 避免重复保存同一xref的图片
                if not os.path.exists(img_path):
                    with open(img_path, "wb") as f:
                        f.write(base_image["image"])

                    if is_watermark_or_banner(img_path):
                        os.remove(img_path)
                        continue

                # 检查是否已存在相同位置的图片
                is_duplicate = False
                for existing in extracted:
                    if (existing['page'] == page_num + 1 and
                        abs(existing['x_center'] - (x0 + x1) / 2) < 5 and
                        abs(existing['y_center'] - (y0 + y1) / 2) < 5):
                        is_duplicate = True
                        break

                if not is_duplicate:
                    extracted.append({
                        'page': page_num + 1,
                        'xref': xref,
                        'pos': rect_idx,
                        'y': y0,
                        'y_end': y1,
                        'x_center': (x0 + x1) / 2,
                        'y_center': (y0 + y1) / 2,
                        'path': img_path
                    })

    doc.close()
    extracted.sort(key=lambda x: (x['page'], x['y']))
    return extracted

Phase 4: 按排分组并匹配图片#

python

from collections import defaultdict

def group_images_by_row(images, page_num, exclude_xrefs=None):
    """按Y坐标将图片分组为排"""
    if exclude_xrefs is None:
        exclude_xrefs = set()

    page_images = [img for img in images
                   if img['page'] == page_num and img['xref'] not in exclude_xrefs]

    if not page_images:
        return []

    page_images.sort(key=lambda x: x['y_center'])

    rows = []
    current_row = [page_images[0]]

    for img in page_images[1:]:
        if img['y_center'] - current_row[-1]['y_center'] < 80:
            current_row.append(img)
        else:
            current_row.sort(key=lambda x: x['x_center'])
            rows.append(current_row)
            current_row = [img]

    if current_row:
        current_row.sort(key=lambda x: x['x_center'])
        rows.append(current_row)

    return rows

def match_products_to_images(products, images, exclude_xrefs=None):
    """将产品与图片匹配（按排和X坐标匹配）"""
    if exclude_xrefs is None:
        exclude_xrefs = {33}  # 默认过滤xref33（常见背景图）

    used_images = set()
    page_products = defaultdict(list)

    for p in products:
        page_products[p['页码']].append(p)

    for page_num in page_products:
        image_rows = group_images_by_row(images, page_num, exclude_xrefs)
        prods = page_products[page_num]
        prod_rows = defaultdict(list)

        for p in prods:
            prod_rows[p['排号']].append(p)

        for row_idx in sorted(prod_rows.keys()):
            if row_idx >= len(image_rows):
                continue

            row_products = prod_rows[row_idx]
            row_images = image_rows[row_idx]

            # 按X坐标排序
            row_products.sort(key=lambda x: x.get('x_center', 0) or 0)

            # 按X坐标最接近原则匹配
            for prod in row_products:
                prod_x = prod.get('x_center', 0) or 0

                best_img = None
                min_diff = float('inf')

                for img in row_images:
                    if img['path'] in used_images:
                        continue
                    diff = abs(img['x_center'] - prod_x)
                    if diff < min_diff:
                        min_diff = diff
                        best_img = img

                if best_img:
                    prod['image_path'] = best_img['path']
                    used_images.add(best_img['path'])

    return products

Phase 5: 导出Excel#

python

def export_to_excel(products, output_path, currency):
    """导出到Excel（含嵌入图片）"""
    from openpyxl import Workbook
    from openpyxl.drawing.image import Image as OpenpyxlImage
    import os

    wb = Workbook()
    ws = wb.active
    ws.title = "产品清单"

    headers = ['序号', '页码', '型号', '产品名称', '起批量', '币种', '价格', '产品图片']
    for col, header in enumerate(headers, 1):
        cell = ws.cell(row=1, column=col, value=header)

    ws.column_dimensions['A'].width = 8
    ws.column_dimensions['B'].width = 8
    ws.column_dimensions['C'].width = 15
    ws.column_dimensions['D'].width = 35
    ws.column_dimensions['E'].width = 12
    ws.column_dimensions['F'].width = 10
    ws.column_dimensions['G'].width = 10
    ws.column_dimensions['H'].width = 25

    for idx, p in enumerate(products, start=2):
        ws.cell(row=idx, column=1, value=idx - 1)
        ws.cell(row=idx, column=2, value=p.get('页码', ''))
        ws.cell(row=idx, column=3, value=p.get('型号', ''))
        ws.cell(row=idx, column=4, value=p.get('产品名称', ''))

        # 起批量：无数据时留空
        qty = p.get('起批量', '')
        ws.cell(row=idx, column=5, value=qty if qty else None)

        ws.cell(row=idx, column=6, value=currency)

        # 价格：无数据时留空
        price = p.get('价格', '')
        ws.cell(row=idx, column=7, value=price if price else None)

        img_path = p.get('image_path', '')
        if img_path and os.path.exists(img_path):
            try:
                img = OpenpyxlImage(img_path)
                img.width = 100
                img.height = 100
                ws.add_image(img, f'H{idx}')
                ws.row_dimensions[idx].height = 80
            except Exception:
                ws.cell(row=idx, column=8, value="图片错误")

    wb.save(output_path)
    return output_path

关键经验总结#

1. 型号识别#

支持的格式：

• 字母开头：XP-115, JF-181, WD-90015
• 数字开头含字母：13-1, 510-A, 2109
• 纯数字（长度>=2）：13, 790
• 复合型号（斜杠分隔）：MY-109/MY-20, MY-103/JF-94, WD90022/QY3098
• 带描述词：JF-194 C/ Luz, JF-144 com música
• 字母数字混合后缀：VPL-7001-H1, VPL-7001-H8H11, VPL-7001-HB3

重要：斜杠处理策略

• "/" 可能是复合型号的一部分（MY-109/MY-20）， 不应盲目清理
• "/" 后面跟中文描述时才清理：XL-2401/白18粉18绿12 → XL-2401
• "/" 后面跟型号字母数字时应保留：WD90022/QY3098

重要：字母后缀处理策略

• 型号结尾可能包含字母后缀（如 -H1, -HB3, -H8H11）
• 不应 只使用 -\d+ 匹配后缀，应使用 [A-Z0-9\-]+ 匹配字母数字混合后缀

带空格的型号：

• "JF-194 C/ Luz"：用第一个词（JF-194）做坐标查找，但保留完整名称
• "JF-144 com música"：型号可能跨行，数量在单独一行

型号正则表达式推荐：

python

# 通用型号匹配（支持字母数字混合后缀）
model_pattern = r'VPL-[A-Z0-9\-]+'

# 更通用的型号匹配（支持多种前缀）
model_pattern = r'[A-Z]+-\d+(?:-[A-Z0-9]+)*'

2. 坐标获取#

• 使用 word['text'] == token 或 word['text'].startswith(token + '/') 匹配
• 避免使用 token in word['text']（会匹配到错误位置的词）
• 带空格的型号：用第一个词查找坐标，保留完整名称

重要：避免startswith导致的错误匹配

问题案例：JF-55 和 JF-558

• JF-558.startswith("JF-55") 返回 True
• 这会导致 JF-55 错误地获取 JF-558 的坐标

正确的坐标匹配逻辑：

python

# 首先尝试精确匹配
x_center = None
y_coord = None

for word in words:
    if word['text'] == model:
        x_center = (word['x0'] + word['x1']) / 2
        y_coord = word['top']
        break

# 如果没有精确匹配，再尝试startswith，但要确保不是其他型号的前缀
if x_center is None:
    for word in words:
        if word['text'].startswith(model):
            # 检查是否是独立型号（后面跟着非字母数字字符或是结尾）
            remaining = word['text'][len(model):]
            if remaining == '' or not remaining[0].isalnum():
                x_center = (word['x0'] + word['x1']) / 2
                y_coord = word['top']
                break

3. 跨行产品处理#

常见跨行模式：

模式示例处理方法数量在下一行MY-29/X-129 (120)向后查找数量行数量单独一行无型号(1000 Peças)向前查找关联的型号数量跨行+中间插入价格EQY657 36 caixinhas(216 \n R$100,00 \n Peças)合并多行文本，移除价格后解析复合型号跨行WD90022/ \n QY158SS (168)合并相邻行，识别 "/" 连接同一行相同型号多次M-5 (300) M-5 (220) YJ-20 (240)按Y坐标分组去重，按X坐标分配

重要：处理同一行相同型号多次出现的情况

某些PDF中，同一行可能出现多个相同型号的产品：

text

M-5 (300 Peças) M-5 (220 Peças) YJ-20 (240 Peças)

这种情况下，简单的型号→word映射会失败，因为所有"M-5"的word会被混在一起。

正确的坐标匹配逻辑（处理重复型号）：

python

from collections import defaultdict

def get_word_coordinates(words, model_qty_matches):
    """获取每个匹配的word坐标，处理同一行相同型号多次出现的情况

    策略：
    1. 按Y坐标分组，找到最可能的行
    2. 在该行范围内按型号分组word
    3. 去重：X坐标相差小于10的视为同一个word
    4. 按match顺序分配word（第n个match对应第n个word）
    """
    # 收集所有匹配型号的word，按型号分组
    words_by_model = defaultdict(list)
    for match in model_qty_matches:
        model = match.group(1)
        for word in words:
            if word['text'] == model:
                words_by_model[model].append(word)

    # 按Y坐标分组统计，找到最可能的行
    y_counts = defaultdict(int)
    for model, ws in words_by_model.items():
        for w in ws:
            y_key = round(w['top'] / 50) * 50
            y_counts[y_key] += 1

    if y_counts:
        best_y = max(y_counts.keys(), key=lambda k: y_counts[k])
    else:
        best_y = 0

    # 筛选该Y组内的word（允许50像素误差）
    filtered_words_by_model = defaultdict(list)
    for model, ws in words_by_model.items():
        for w in ws:
            if abs(w['top'] - best_y) < 50:
                filtered_words_by_model[model].append(w)

    # 去重：按X坐标排序，合并接近的（X相差小于10视为同一个）
    for model in filtered_words_by_model:
        ws = filtered_words_by_model[model]
        ws.sort(key=lambda x: x['x0'])
        deduped = []
        for w in ws:
            if not deduped or abs(w['x0'] - deduped[-1]['x0']) > 10:
                deduped.append(w)
        filtered_words_by_model[model] = deduped

    # 分配：第n个match对应第n个word
    model_usage_count = defaultdict(int)
    match_idx_to_word = {}

    for match_idx, match in enumerate(model_qty_matches):
        model = match.group(1)
        ws = filtered_words_by_model.get(model, [])
        count = model_usage_count[model]
        if count < len(ws):
            match_idx_to_word[match_idx] = ws[count]
            model_usage_count[model] += 1

    return match_idx_to_word

跨行解析策略：

python

# 合并相邻行文本后再解析
def merge_adjacent_lines(lines, current_idx, look_ahead=2):
    """合并当前行及其后N行的文本"""
    merged = lines[current_idx]
    for i in range(1, look_ahead + 1):
        if current_idx + i < len(lines):
            merged += " " + lines[current_idx + i]
    return merged

# 移除价格干扰后再匹配数量
import re
text_no_price = re.sub(r'R\$\d+[,.]\d+', '', merged_text)
# 然后再用数量正则匹配
qty_match = re.search(r'\((\d+)\s*Peças?\)', text_no_price)

4. 图片过滤#

• 过滤xref33（常见背景图/水印）
• 基于内容分析：唯一颜色<30或标准差<30的可能是水印/背景
• 基于尺寸过滤：PDF中高度>500像素的通常是全页背景图，应降优先级
• 去重：同一xref的多个位置只保留一个

5. 图片匹配策略（关键！）#

核心原则：图片与产品文本在相同的Y坐标范围内

• 不同PDF布局中，图片可能在产品文本的 上方、下方或同一行
• 不应 假设"图片必须在产品上方"或"图片必须在产品下方"
• 应该 找"Y坐标最接近产品Y坐标的图片行"

重要：产品Y坐标和图片Y坐标可能不直接对应

某些PDF布局中，产品文本的Y坐标和图片的Y坐标不在同一范围：

text

图片排1: y_center=393 (3张图片)
产品文本: y=469-473 (MY-119, MY-105/JF-96, MY-106/JF-97)
图片排2: y_center=623 (3张图片)

在这种情况下，产品文本y=469位于图片排1（393）和图片排2（623）之间，应该找Y坐标最接近的图片行。

正确的图片匹配逻辑：

python

def match_products_to_images(products, images):
    """将产品与图片匹配

    关键策略：找Y坐标最接近产品Y坐标的图片行（不限定上下关系）
    """
    from collections import defaultdict

    page_products = defaultdict(list)
    for p in products:
        page_products[p['页码']].append(p)

    for page_num in page_products:
        # 获取该页的所有图片（过滤全页背景图）
        page_images = [img for img in images
                      if img['page'] == page_num
                      and img['height'] < 500]

        if not page_images:
            continue

        # 按Y坐标分组图片（阈值100像素）
        page_images.sort(key=lambda x: x['y_center'])
        image_rows = []
        current_row = [page_images[0]]

        for img in page_images[1:]:
            if img['y_center'] - current_row[-1]['y_center'] < 100:
                current_row.append(img)
            else:
                current_row.sort(key=lambda x: x['x_center'])
                image_rows.append(current_row)
                current_row = [img]

        if current_row:
            current_row.sort(key=lambda x: x['x_center'])
            image_rows.append(current_row)

        # 为每个产品匹配图片
        for product in page_products[page_num]:
            prod_y = product.get('y_coord', 0) or 0
            prod_x = product.get('x_center', 0) or 0

            if not prod_y or not prod_x:
                continue

            # 关键：找Y坐标最接近产品Y坐标的图片行（不限定上下关系）
            best_row = None
            best_y_diff = float('inf')

            for row in image_rows:
                row_y = row[0]['y_center']
                y_diff = abs(row_y - prod_y)  # 使用绝对值
                if y_diff < best_y_diff:
                    best_y_diff = y_diff
                    best_row = row

            # 在最佳行中找X最接近的图片
            if best_row:
                best_img = min(best_row, key=lambda x: abs(x['x_center'] - prod_x))

                # 检查X坐标差异是否在合理范围内
                if abs(best_img['x_center'] - prod_x) < 200:
                    product['image_path'] = best_img['path']

    return products

6. 价格分配#

顺序分配陷阱：

• 不要假设第N行产品对应第N行价格
• 某些页面布局特殊，产品行和价格行可能错位

安全策略：

python

# 先收集所有价格，再按X坐标分配给对应产品
prices = re.findall(r'R\$(\d+[,.]\d+)', price_line)
prices_sorted = sorted(zip(prices, price_words), key=lambda x: x[1]['x0'])

for i, product in enumerate(products_in_row):
    if i < len(prices_sorted):
        product['价格'] = prices_sorted[i][0]

重要：价格单位变体

不同PDF可能使用不同的价格单位后缀，常见的有：

• Un（个/件）
• Par（对/双）
• Kit（套件）
• Cx（箱）
• Jogo（套）
• Pares / Par（双）

正确的价格正则表达式：

python

# 匹配 R$XX,XX 后面跟各种单位
pattern = r'CX-(\d+)Pcs\s+R\$[：:]\s*([\d,]+)(?:Un|Par|Kit|Cx|Jogo|Pares?)'

# 如果单位格式不固定，可以先匹配价格数字，再单独处理单位
price_pattern = r'R\$([\d,]+)'  # 只匹配价格数字

7. 常见陷阱总结#

问题案例解决方案每行多个产品只提取第一个JF-181 (...) JF-43 (...) JF-44 (...) 只提取JF-181使用 re.finditer() 找到所有匹配，而非 re.search()startswith导致坐标错误JF-55 获取了 JF-558 的坐标先精确匹配，startwith时检查后续字符跨行价格未正确匹配MY-105/JF-96和MY-106/JF-97没有价格收集多行价格，按X坐标匹配产品Y坐标和图片Y坐标不对应MY-105/JF-96图片匹配错误找Y坐标最接近产品Y坐标的图片行（不限定上下关系）数量在下一行的产品遗漏MY-29/X-129未提取检查行尾剩余文本，使用pending_products机制同一行相同型号多次出现第2、3个M-5无图片按Y坐标分组去重，按X坐标分配word只有型号没有数量的产品JF-144 com música未提取识别型号行，使用pending_products机制跨行获取数量和价格型号和数量连在一起DFXL2207(120 Peças)坐标获取失败word匹配时使用startswith(model + '(')非产品文本被识别为型号2X2被错误提取为产品过滤条件：必须包含连字符或长度>=4行尾多个型号未全部提取X-156和X-157只提取第一个使用正则提取所有型号，按X坐标分配多个数量复合型号被拆分MY-109/MY-20 → 只提取MY-20保留"/"作为型号一部分带空格型号匹配失败JF-194 C/ Luz用第一个词查找坐标，保留完整名称全页背景图干扰JF-203无图片过滤height>500的异常图跨行产品遗漏2109,790,JF-412完全跳过合并相邻行文本解析数量跨行+价格插入EQY657 36 caixinhas(216 R$100,00 Peças)移除价格后匹配数量价格分配错位第3行产品用第2行价格按X坐标分配，不按行序型号合并需拆分WD90022/QY3098被当作一个识别"/"连接的独立型号价格单位变体遗漏VPL-5001系列价格单位是"Par"而非"Un"价格正则需匹配多种单位： (?:Un|Par|Kit|Cx|Jogo|Pares?)型号含字母后缀被截断VPL-7001-H1 被截断为 VPL-7001型号正则使用 VPL-[A-Z0-9\-]+ 而非 VPL-\d+(?:-\d+)?全角冒号编码问题正则中的 ： 在某些文件中失效确保Python文件使用UTF-8编码，正则中使用字面量字符

最严重的陷阱：

1. 未分析PDF结构就编写提取逻辑
   • 后果：只提取了1/3的产品（如125个而非340个）
   • 预防：必须先运行结构分析代码，确认每行产品数量
   • 修复：使用 re.finditer() 替代 re.search()
2. startswith导致的坐标匹配错误
   • 后果：JF-55获取了JF-558的坐标，导致图片匹配错误
   • 预防：先尝试精确匹配，再使用startswith并验证后续字符
   • 修复：检查 remaining == '' or not remaining[0].isalnum()
3. 跨行价格未正确处理
   • 后果：MY-105/JF-96和MY-106/JF-97等产品没有价格
   • 预防：分析价格行是否被多个产品行共享
   • 修复：收集多行价格，按X坐标最接近原则匹配给对应产品
4. 产品Y坐标和图片Y坐标不直接对应
   • 后果：MY-105/JF-96和MY-106/JF-97图片匹配错误
   • 预防：检查产品Y坐标是否和图片行的Y坐标在同一范围
   • 修复：找Y坐标最接近产品Y坐标的图片行，不限定上下关系
5. 数量在下一行的产品遗漏
   • 后果：MY-29/X-129未提取（一行中既有完整产品又有数量在下一行的产品）
   • 预防：检查行尾是否有剩余型号文本未被处理
   • 修复：使用 pending_products 机制，在下一行找到数量后填充
6. 同一行相同型号多次出现
   • 后果：第2、3个M-5等产品无法正确匹配图片
   • 预防：检查是否有相同型号在同一行多次出现
   • 修复：按Y坐标分组找到最佳行，去重后按X坐标顺序分配word给match
7. 只有型号没有数量的产品
   • 后果：JF-144 com música未提取（数量在隔一行之后）
   • 预防：检查是否有型号行没有对应的数量
   • 修复：使用 pending_products 机制，允许跨多行查找数量，同时收集价格
8. 价格单位变体未覆盖
   • 后果：VPL-5001系列价格单位是"Par"（对/双），正则只匹配"Un"（个），导致价格和起批量全部为空
   • 预防：分析PDF时检查价格行的单位后缀，常见的有 Un、Par、Kit、Cx、Jogo、Pares 等
   • 修复：价格正则使用 (?:Un|Par|Kit|Cx|Jogo|Pares?) 而非只匹配 Un
9. 型号正则表达式不够灵活
   • 后果：VPL-7001-H1、VPL-7001-H8H11、VPL-7001-HB3 等含字母后缀的型号被截断为 VPL-7001
   • 预防：型号可能包含字母和数字的混合后缀
   • 修复：型号正则使用 VPL-[A-Z0-9\-]+ 而非 VPL-\d+(?:-\d+)?
10. 文件编码导致正则表达式失效
    • 后果：同样的正则表达式在独立脚本中能工作，但在主提取脚本中不工作
    • 预防：确保Python文件使用UTF-8编码（文件头加 # -*- coding: utf-8 -*-）
    • 修复：正则中使用字面量字符（如 ：），避免使用Unicode转义序列（如 \uFF1A）在字符类中可能不被正确解析的问题

8. 提取后验证清单#

完成提取后，应进行以下验证：

1. 数量检查：产品数是否与页面图片行数匹配？

   • 估算：每页产品数 ≈ 行数 × 每行产品数
   • 如果提取数量明显偏少（如只有预期的1/3），检查是否使用了 re.finditer()

2. 抽样验证：随机检查5-10个产品的图片是否正确

3. 特殊页面：检查产品数异常少/多的页面

4. 用户反馈：请用户指出问题产品，迭代修复

5. 价格完整性检查：随机抽取几个产品，检查其价格和起批量是否为空

   • 如果有大量产品价格为空，检查价格正则是否覆盖了所有单位变体（Un、Par、Kit等）

6. 型号完整性检查：检查型号是否被截断

   • 如果型号被截断（如 VPL-7001-H1 变成 VPL-7001），检查型号正则是否支持字母数字混合后缀

验证示例：

python

# 检查每页产品分布
from collections import Counter
page_counts = Counter(p['页码'] for p in products)
for page, count in sorted(page_counts.items()):
    print(f"第{page}页: {count}个产品")

# 如果某页只有1-2个产品，可能是提取逻辑有问题

# 检查价格完整性
empty_price_count = sum(1 for p in products if not p.get('价格'))
print(f"价格为空的产品数: {empty_price_count}/{len(products)}")

# 检查型号是否有截断（同型号前缀的产品过多）
model_prefixes = Counter(p['型号'].split('-')[0] + '-' + p['型号'].split('-')[1] for p in products if '型号' in p)
for prefix, count in model_prefixes.most_common(10):
    if count > 10:
        print(f"型号前缀 {prefix} 有 {count} 个产品，可能有截断问题")

文件编码最佳实践#

Python脚本文件中的非ASCII字符（如全角冒号 ：）可能在某些编码环境下失效。

最佳实践：

1. 在Python文件头添加编码声明： python

   # -*- coding: utf-8 -*-
   
   

2. 正则表达式中使用字面量字符而非Unicode转义序列： python

   # 正确（字面量）：
   pattern = r'CX-(\d+)Pcs\s+R\$[：:]\s*([\d,]+)(?:Un|Par)'
   
   # 可能有问题（转义序列在字符类中可能不被正确解析）：
   pattern = r'CX-(\d+)Pcs\s+R\$[\uFF1A:]\s*([\d,]+)(?:Un|Par)'
   
   

3. 创建独立的脚本文件进行测试，避免在命令行中直接运行包含非ASCII字符的Python代码

完整示例#

python

# 完整提取流程
def extract_catalog(pdf_path, output_dir="output"):
    import os

    os.makedirs(output_dir, exist_ok=True)

    # 1. 提取产品信息
    products = extract_products_from_pdf(pdf_path)
    print(f"找到 {len(products)} 个产品")

    # 2. 提取图片
    images = extract_images_filtered(pdf_path, output_dir)
    print(f"提取 {len(images)} 张图片")

    # 3. 匹配产品与图片
    matched = match_products_to_images(products, images)
    matched_count = sum(1 for p in matched if p.get('image_path'))
    print(f"成功匹配: {matched_count}/{len(matched)}")

    # 4. 询问币种
    currency = input("请输入币种代码（如CNY/USD/BRL）: ").strip().upper()

    # 5. 导出Excel
    output_excel = os.path.join(output_dir, "产品清单.xlsx")
    export_to_excel(matched, output_excel, currency)
    print(f"导出完成: {output_excel}")

    return matched

# 使用
if __name__ == "__main__":
    extract_catalog("/path/to/catalog.pdf")