Newton Quotation Pdf Extraction
v0.1.0从PDF报价单中提取产品信息（型号、数量、价格、币种、图片）。当用户需要从PDF报价单或产品目录中提取结构化产品数据时使用，特别适用于电商产品列表或价格表。
0· 85· 1 versions· 0 current· 0 all-time· Updated 5d ago· MIT-0
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：
-
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
-
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）？
-
结构分析代码模板：
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：
===== 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
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
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$xx,xx 后面跟各种单位（Un、Par、Kit、Cx、Jogo等）
price_matches = re.findall(r'R\$([\d,.]+)', price_line)
prices = price_matches
# 为每个型号创建产品记录
for idx, match in enumerate(model_qty_matches):
model = match.group(1)
qty = match.group(2)
# 获取该型号在PDF中的X坐标（用于图片匹配）
x_center = None
y_coord = None
# 使用word位置信息来定位
for word in words:
if word['text'] == model or word['text'].startswith(model):
x_center = (word['x0'] + word['x1']) / 2
y_coord = word['top']
break
# 获取对应价格
price = prices[idx] if idx < len(prices) else ""
products.append({
'页码': page_num + 1,
'排号': row_idx,
'型号': model,
'产品名称': '',
'起批量': qty,
'价格': price,
'x_center': x_center,
'y_coord': y_coord
})
row_idx += 1
i += 2 # 跳过当前行和价格行
else:
i += 1
return products
重要：价格单位变体覆盖
不同PDF可能使用不同的价格单位后缀，常见的有：
Un（个/件）Par（对/双）Kit（套件）Cx（箱）Jogo（套）Pares/Par（双）
正确的价格正则表达式：
# 匹配 R$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。
# 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。
# 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：
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：
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）：
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
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
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
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：
# 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：
# 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：
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）：
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：
# 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：
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：
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：
# 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：
# 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：
-
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()
-
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()
-
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
-
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
-
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
-
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
-
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
-
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
-
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+)?
-
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：
-
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()
-
抽样验证：随机检查5-10个产品的图片是否正确
-
特殊页面：检查产品数异常少/多的页面
-
用户反馈：请用户指出问题产品，迭代修复
-
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）
-
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：
# 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：
-
在Python文件头添加编码声明：
# -*- coding: utf-8 -*- -
正则表达式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可能不被正确解析）： pattern = r'CX-(\d+)Pcs\s+R\$[\uFF1A:]\s*([\d,]+)(?:Un|Par)' -
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
# 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")
Version tags
latest