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：

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