Если строки после извлечения PDF перемешались, сначала выясните, есть ли в странице текстовый слой. Попробуйте выделить и скопировать небольшой фрагмент, затем сравните его с результатом библиотеки. Видимое расположение колонок не гарантирует такой же порядок символов в файле. Не начинайте с регулярного выражения для всех документов сразу.

Извлечение текста и поиск полей — разные этапы. Первый возвращает материал страницы, второй решает, что является номером документа, датой или адресом. Сохраните границу страницы и исходный фрагмент для каждого найденного значения: без этого трудно объяснить ошибку и безопасно исправить уже импортированные данные.

Три вида страниц дают разные результаты

СтраницаПервый шаг
Цифровой текстсравнить порядок извлечения с видом страницы
Только изображениеотдельный OCR-процесс
Скан с текстовым слоемсравнить слой с изображением
Смешанный документвыбрать метод отдельно для каждой страницы

pypdf не распознаёт текст внутри изображений. Он может читать существующий текстовый слой, включая ранее созданный OCR, но это не доказывает правильность распознанных символов. Руководство также объясняет: PDF располагает текст визуально и не предоставляет универсальную семантику абзацев и таблиц. Поэтому для двухколоночного документа нужен отдельный тест порядка чтения.

Сначала извлечём страницы без догадок о полях

# условный диагностический пример для pypdf 6.20
from pypdf import PdfReader
reader = PdfReader('sample.pdf')
for number, page in enumerate(reader.pages, start=1):
    text = page.extract_text() or ''
    print(f'--- page {number} ---')
    print(text)

Используйте обезличенный sample.pdf: вывод может содержать весь документ. Пример не является готовым парсером реквизитов. Он позволяет увидеть, теряется ли текст до правил поиска. Если номер уже отсутствует в извлечённом фрагменте, расширение регулярного выражения не восстановит его. Для скана потребуется другой этап обработки.

Кандидат на значение хранит своё происхождение

Для поля сохраняйте страницу, фрагмент, способ извлечения и правило, которое его выбрало. Если поле встречается несколько раз, не берите первое совпадение автоматически. Например, дата договора и дата приложения могут иметь одинаковый формат. Выбор должен опираться на подпись поля и область документа, а неоднозначность должна стать видимым статусом проверки.

  • Собрать цифровой PDF и скан одного типа документа.
  • Добавить документ с двумя колонками.
  • Добавить повторяющийся заголовок и перенос строки внутри реквизита.
  • Проверить отсутствующее поле и несколько кандидатов.
  • Сравнить выбранное значение с размеченным эталоном.

Не превращайте отсутствие в пустую строку без отметки причины. «Поле не найдено», «текст не извлечён» и «найдено несколько вариантов» требуют разных действий. Такой разбор помогает оператору проверять только проблемную область, а разработчику — улучшать нужный этап вместо общего увеличения сложности парсера.

Исправление правил не переписывает всю базу

После изменения извлечения прогоните эталонную подборку и посмотрите diff выбранных значений. Для уже импортированных записей сформируйте отдельную выборку по версии парсера и источнику. Не перезаписывайте ручные исправления оператора новым автоматическим результатом: у них должен быть явный приоритет и журнал изменения.

Повторная обработка одного входа получает понятную версию результата и не создаёт второй объект случайно. Для больших PDF ограничьте время и ресурсы задачи; частично обработанный документ не маркируют как полностью проверенный. Если файл не удалось прочитать, сохраните причину и возможность повторного запуска, не выдумывая значения.

Для настройки парсера подготовьте несколько обезличенных страниц, ожидаемые поля и сырой результат extract_text. Результаты ручной разметки важнее большого количества случайных PDF: они позволяют проверить точность на конкретных границах и сохранить прежнюю версию правил для отката.

Проверенные источники