本文介绍如何使用 pdfplumber 高效提取PDF中“交易明细”类表格的所有数据行，核心策略是利用金额字段（含$符号）作为可靠锚点，规避复杂正则与表头识别难题，提升鲁棒性与可维护性。
本文介绍如何使用 pdfplumber 高效提取pdf中“交易明细”类表格的所有数据行，核心策略是利用金额字段（含`$`符号）作为可靠锚点，规避复杂正则与表头识别难题，提升鲁棒性与可维护性。
在处理国会披露报告等结构松散、排版不规范的PDF文档（如House Clerk官网发布的PTR文件）时，传统基于正则匹配表头+后续行的方案极易失效——表头可能换行、缩写不一致、存在干扰文本，导致仅捕获首尾几行。一个更稳健的思路是：放弃解析表结构，转而识别每条有效交易记录的本质特征。
观察目标PDF（20005444.pdf）可知，所有真实交易行均包含美元金额（如 $15,001 - $50,000），且该字段具有高度唯一性——正文其他部分极少出现带 $ 的连续金额区间。因此，"$" 成为比表头文本更可靠的行级筛选标识。
以下为优化后的完整实现：
import io
import requests
import pdfplumber
pdf_url = "https://www.php.cn/link/e83429b6e76722413088d7648a24f790"
response = requests.get(pdf_url)
response.raise_for_status() # 确保网络请求成功
transactions = []
with io.BytesIO(response.content) as f:
with pdfplumber.open(f) as pdf:
for page in pdf.pages:
# 提取纯文本并按行分割（保留原始换行逻辑）
text = page.extract_text()
if not text:
continue
for line in text.splitlines():
line = line.strip()
if not line:
continue
# 关键判断：行中包含美元符号，且非页眉/页脚等干扰项
if "$" in line and len(line) > 20: # 基础长度过滤，排除短干扰串
# 清理前缀（如示例中的 "JT "，实际需根据PDF动态调整）
cleaned_line = line.removeprefix("JT ").removeprefix("FIlINg STATuS: New").strip()
if cleaned_line: # 确保清理后非空
transactions.append(cleaned_line)
print(f"共提取 {len(transactions)} 条交易记录：")
for i, t in enumerate(transactions, 1):
print(f"{i:2d}. {t}")✅ 该方案优势显著：
- 高鲁棒性：不依赖表头定位，避免因PDF重排、OCR误差或格式微调导致的漏采；
- 低维护成本：无需反复调试复杂正则，适配同类披露文件（如不同年份/议员PDF）只需微调前缀清理逻辑；
- 可扩展性强：后续可结合 line.startswith() 或关键词（如 "S "/"P "）进一步过滤买卖类型，或用 re.search(r'\$\d{1,3}(?:,\d{3})*(?:\.\d{2})?', line) 精确匹配金额模式。
⚠️ 注意事项：
- 若PDF含大量无关 $（如页脚版权信息），需增加上下文判断（例如检查行是否同时含日期格式 MM/DD/YYYY 和股票代码括号 (XXX)）；
- extract_text() 对扫描版PDF无效，需先用OCR工具（如 pytesseract + pdf2image）预处理；
- 大型PDF建议逐页处理并及时释放内存，避免 BytesIO 占用过高。
总结而言，在非标准PDF文本抽取任务中，“特征驱动”（feature-driven）比“结构驱动”（structure-driven）更务实。抓住业务语义锚点（如金额、日期、代码），辅以轻量清洗，往往比追求完美表格重建更高效、更可靠。
