示例代码：提取整个PDF文本

import pdfplumber

def extract_text_from_pdf(pdf_path):
    all_text = ""
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            text = page.extract_text()
            if text:
                all_text += text + "\n"
    return all_text

# 使用示例
pdf_text = extract_text_from_pdf("财务报告.pdf")
print(pdf_text)

数字提取函数

import re

def extract_numbers(text):
    # 匹配整数、小数、科学计数法、带逗号的数字
    pattern = r"[-+]?\d{1,3}(?:,\d{3})*(?:\.\d+)?(?:[eE][-+]?\d+)?"
    numbers = re.findall(pattern, text)
    
    # 清理数字格式（移除逗号）
    cleaned_numbers = [num.replace(",", "") for num in numbers]
    
    # 转换为合适的数值类型
    final_numbers = []
    for num in cleaned_numbers:
        try:
            # 尝试转换为浮点数
            n = float(num)
            # 如果是整数，转换为int
            if n.is_integer():
                final_numbers.append(int(n))
            else:
                final_numbers.append(n)
        except ValueError:
            continue
    
    return final_numbers

# 使用示例
numbers = extract_numbers(pdf_text)
print("提取到的数字:", numbers)

提取表格数据

def extract_tables_from_pdf(pdf_path):
    all_tables = []
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            tables = page.extract_tables()
            for table in tables:
                # 处理表格数据
                processed_table = []
                for row in table:
                    processed_row = [cell.replace("\n", " ") if cell else "" for cell in row]
                    processed_table.append(processed_row)
                all_tables.append(processed_table)
    return all_tables

# 使用示例
tables = extract_tables_from_pdf("财务报告.pdf")
for i, table in enumerate(tables):
    print(f"表格 {i+1}:")
    for row in table:
        print(row)

import pdfplumber
import re

def extract_pdf_numbers(pdf_path):
    """从PDF文件中提取所有数字"""
    all_numbers = []
    
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            # 提取文本
            text = page.extract_text()
            if text:
                all_numbers.extend(extract_numbers(text))
            
            # 提取表格中的数字
            tables = page.extract_tables()
            for table in tables:
                for row in table:
                    for cell in row:
                        if cell:
                            all_numbers.extend(extract_numbers(cell))
    
    return all_numbers

def extract_numbers(text):
    """从文本中提取数字"""
    pattern = r"[-+]?\d{1,3}(?:,\d{3})*(?:\.\d+)?(?:[eE][-+]?\d+)?"
    numbers = re.findall(pattern, text)
    cleaned_numbers = [num.replace(",", "") for num in numbers]
    
    final_numbers = []
    for num in cleaned_numbers:
        try:
            n = float(num)
            if n.is_integer():
                final_numbers.append(int(n))
            else:
                final_numbers.append(n)
        except ValueError:
            continue
    
    return final_numbers

if __name__ == "__main__":
    pdf_file = "财务报告.pdf"
    numbers = extract_pdf_numbers(pdf_file)
    
    print(f"从 {pdf_file} 中提取到 {len(numbers)} 个数字:")
    print(numbers)
    
    # 保存到CSV文件
    with open("extracted_numbers.csv", "w") as f:
        f.write("Extracted Numbers\n")
        for num in numbers:
            f.write(f"{num}\n")
    
    print("结果已保存到 extracted_numbers.csv")

Q: 提取的数字不准确或遗漏

解决方案：

• 调整正则表达式模式以匹配特定格式
• 检查PDF是否是扫描件（图片）而非可搜索文本
• 尝试不同的PDF库（如pdfminer.six）

Q: 表格提取混乱

解决方案：

• 使用pdfplumber的table_settings参数调整表格检测
• 尝试extract_table()替代extract_tables()
• 处理前使用page.debug_tablefinder()可视化表格检测

Q: 性能问题（大文件处理慢）

解决方案：

• 使用多线程/多进程处理页面
• 仅处理特定页面范围
• 对于纯数据PDF，考虑转换为其他格式（如Excel）