金融文档解析：PDF解析、表格提取与OCR技术

金融行业里，文档解析是个绕不开的坎儿。

我见过太多团队，模型选得再好，数据喂不进去，一切白搭。说白了，PDF就是金融数据的「铁皮柜」——里面全是宝贝，但打不开就干瞪眼。

今天咱们就聊聊怎么撬开这个柜子。我会从PDF解析讲起，再到表格提取，最后聊聊OCR技术。嗯，都是我在真实项目中踩过的坑。

PDF解析：PyMuPDF vs pdfplumber

先说说PDF解析。市面上工具不少，但我个人最常用的是两个：PyMuPDF和pdfplumber。

PyMuPDF：速度快，适合文本提取

PyMuPDF（也叫fitz）是我最早接触的PDF解析库。它底层用C写的，解析速度极快。我曾在项目中处理过上千份招股说明书，PyMuPDF几乎是秒开。

它的核心优势是：

• 速度快：比纯Python实现的库快10倍以上
• 支持格式多：PDF、XPS、EPUB、MOBI都能解析
• 内存占用低：处理大文件不卡顿

import fitz  # PyMuPDF

# 打开PDF
doc = fitz.open("金融报告.pdf")

# 提取每一页的文本
for page_num, page in enumerate(doc):
    text = page.get_text()
    print(f"第{page_num+1}页内容：{text[:200]}...")

# 提取特定区域的文本
page = doc[0]
rect = fitz.Rect(50, 50, 500, 700)  # 定义区域
text = page.get_text("text", clip=rect)

pdfplumber：表格提取的利器

pdfplumber是我后来才发现的宝贝。它基于pdfminer.six，但API设计得更人性化。

为什么我推荐它？因为它能「看懂」表格结构。PyMuPDF提取表格时，经常把单元格内容混在一起，而pdfplumber能精准定位每个单元格。

import pdfplumber

with pdfplumber.open("财务报表.pdf") as pdf:
    for page in pdf.pages:
        # 提取表格
        tables = page.extract_tables()
        for table in tables:
            for row in table:
                print(row)
        
        # 提取文本，保留布局
        text = page.extract_text(layout=True)

表格提取：从混乱到结构化

金融文档里，表格是最有价值的数据载体。但也是最难提取的。

我曾经处理过一份财报，表格里既有合并单元格，又有跨页断行，还有各种自定义边框。那段时间我几乎把pdfplumber的源码翻了个遍。

表格提取的常见挑战

• 合并单元格：表头跨多列，内容跨多行
• 跨页表格：表格被分到两页，表头重复或不完整
• 不规则边框：有些表格没有完整边框，全靠视觉对齐
• 嵌套表格：单元格里还有子表格

实战技巧：用pdfplumber提取复杂表格

import pdfplumber
import pandas as pd

def extract_financial_table(pdf_path, page_num):
    """提取金融表格，处理合并单元格"""
    with pdfplumber.open(pdf_path) as pdf:
        page = pdf.pages[page_num]
        
        # 设置表格提取参数
        table_settings = {
            "vertical_strategy": "lines",  # 基于线条检测列
            "horizontal_strategy": "lines",  # 基于线条检测行
            "explicit_vertical_lines": [],  # 手动指定列线
            "explicit_horizontal_lines": [],  # 手动指定行线
            "snap_tolerance": 3,  # 对齐容差
            "join_tolerance": 3,  # 连接容差
            "edge_min_length": 3,  # 最小边缘长度
            "min_words_vertical": 1,  # 垂直方向最少单词数
            "min_words_horizontal": 1,  # 水平方向最少单词数
            "intersection_tolerance": 3,  # 交叉点容差
            "text_x_tolerance": 3,  # 文本水平容差
            "text_y_tolerance": 3,  # 文本垂直容差
        }
        
        table = page.extract_table(table_settings)
        
        # 转换为DataFrame
        df = pd.DataFrame(table[1:], columns=table[0])
        return df

# 使用示例
df = extract_financial_table("年报.pdf", 5)
print(df.head())

OCR技术：PaddleOCR实战

说到OCR，金融文档里最头疼的就是扫描件。很多老合同、传真件、手写单据，都是图片格式。

PaddleOCR是我目前用得最顺手的OCR工具。它基于百度飞桨，中文识别率极高，而且支持版面分析。

为什么选PaddleOCR？

• 中文识别率：在金融场景下，对专业术语（如「应收账款」「递延所得税」）的识别准确率超过95%
• 支持版面分析：能自动识别标题、段落、表格、图片
• 轻量部署：模型压缩后只有十几MB，适合生产环境

基础用法：图片文字识别

from paddleocr import PaddleOCR

# 初始化OCR
ocr = PaddleOCR(use_angle_cls=True, lang='ch')

# 识别图片
result = ocr.ocr('扫描件.png', cls=True)

# 提取文本
for line in result[0]:
    text = line[1][0]
    confidence = line[1][1]
    print(f"文本：{text}，置信度：{confidence:.2f}")

进阶用法：表格识别

PaddleOCR内置了表格识别模型，可以直接输出结构化表格数据。

from paddleocr import PPStructure

# 初始化版面分析+表格识别
engine = PPStructure(show_log=True)

# 识别文档
result = engine('财务报表扫描件.png')

for item in result:
    if item['type'] == 'table':
        # 获取表格HTML
        html = item['res']['html']
        print("表格HTML：", html[:200])
        
        # 获取结构化数据
        data = item['res']['data']
        print("表格数据：", data)

知识体系总览

说了这么多，咱们用一张图来梳理一下整个金融文档解析的流程。

实战总结：我的文档解析流水线

最后，分享一下我目前在项目中使用的文档解析流水线。说白了就是一套组合拳：

1. 文档分类：先判断是文本型PDF还是扫描件。用PyMuPDF尝试提取文本，如果提取不到内容，就判定为扫描件
2. 文本型PDF：用pdfplumber提取表格，用PyMuPDF提取正文。遇到复杂表格时，手动调整参数
3. 扫描件：用PaddleOCR做版面分析，先识别出表格区域，再用表格识别模型提取数据
4. 后处理：对提取的数据做校验，比如检查数字格式、日期格式、金额单位等

嗯，今天就聊到这儿。文档解析这块儿，说白了就是「慢工出细活」。你花在预处理上的时间，会在后续的RAG问答中加倍回报给你。