一、背景
外贸财务经常需要通过每份报关单的关键信息，收货人、合同号，以及每一项商品的型号、数量、单价、总价与发票进行逐一匹配，并将发票一一匹配上出口报关单的海关编号。
本文运用WorkBuddy，只告知了需要提取报关单对应内容的需求，很快就写好了 Python 脚本，主要使用PyPDF2+正则表达式，只要200 行代码即可自动完成全部提取工作。
本文内容较长，只需要代码的可以直接划到末尾~~
二、PDF 结构分析
拿到 PDF 之后，第一步不是写代码，而是搞清楚文档内部到底是什么，页面构成、字段分布、排版陷阱。
2.1 一份报关单 PDF 里到底有什么？
我给的报关单 PDF 并非只有一张报关单，而是由多份不同性质的文件合并而成。以最常见的 5 页结构为例：
第 1 页 → 出口货物报关单（1/2）——含头部信息 + 部分商品项目
第 2 页 → 出口货物报关单（2/2）——续接商品项目，直到完税信息
第 3 页 → 通关无纸化出口放行通知书 ← 不需要
第 4 页 → 委托报关协议 ← 不需要
第 5 页 → 委托报关协议通用条款 ← 不需要还有 4 页的版本（报关单 1 页 + 放行通知书 + 委托协议 + 通用条款）。
关键：不同出口报关单 PDF，页数可能不同（4 或 5 页），但规律是稳定的——只有前 1~2 页是报关单本体，后面全是无关附件。
2.2 报关单页面的文本布局
用 PyPDF2 把第 出口报关单页文本提取出来（原始顺序，未整理），核心结构如下：
*5304XXXXXXXXXXXXXX* ← 海关编号
10000个 ← 商品 6 的数量（倒序排列！）
1.2千克 ← 商品 6 的净重
10000个25000个 ← 商品 5/6 的数量
...
155000个1100个 ← 商品 2/1 的数量
1.9千克 ← 商品 1 的净重
1100个征免 境内货源地 ... ← 数量表尾部 + 表头行
中华人民共和国海关出口货物报关单 ← 正式标题
页码/页数: 1/2 (深圳湾关)
海关编号： 预录入编号： 5304XXXXXXXXXXXXXX ... ← 编号区
...
出境关别(5345)
XXXX公司境内发货人 ← 发货人
...
XX Limited境外收货人 ← 收货人（换行截断！）
...
合同协议号 ← 头部结束
8542319099 控制器用集成电路 ← 商品 1 起
...XX牌|XX型非量产3.3820
3720.20美元中国台湾(TWN)...
...
8542319099 控制器用集成电路 ← 商品 2
...牌|XX型|量产|中4.2030
651465.00美元...2.3 PDF 中问题
文本顺序颠倒。 PDF 文本提取的顺序是从页面底部到顶部：商品数量、重量在最前面，而商品详情（型号、单价、总价）反而在后面。不能按行号顺序直接解析。
属性分散在页面不同位置。 每一件商品的信息并不聚在同一个”块”里：数量和重量被集中在页面顶部的数量表区域（按照 N个 → M千克 的配对从底向上排列），而型号、单价、总价则散落在页面下半部分的商品明细区。
2.4 总结 PDF 结构
报关单 PDF文件包含： 1~2 页报关单本体（含头部 + 商品） + 1 页放行通知书 + 2 页委托协议。
商品信息被拆成两部分分散在两页的不同区域，数量/重量要反向配对，型号/单价/总价要兼容多种格式。
三、输出样式
在动笔写代码之前，需要先定义清楚”我要输出什么”，我只需要以下几个关键内容。
Excel 格式：头部信息 + 商品明细合并在同一行，每个商品占一行。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
脚本处理完 Customs 目录下所有 PDF 后，所有数据合并到一个 Excel 中，无需手动复制粘贴。
四、代码设计
整个脚本分为 6 个模块，每个解决一个独立问题。
下面是逐一拆解，说明为什么这样设计。
4.1 环境兼容性：sys.stdout 编码
if hasattr(sys.stdout, 'buffer'):
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')PDF 中的中文（如”控制器用集成电路””香港”）在某些 IDE（IDLE、Spyder）中打印时可能乱码。这行代码让命令行环境下强制 UTF-8 输出，同时用 hasattr 做防御，在 IDE 环境跳过，避免 'StdOutputFile' object has no attribute 'buffer' 报错。
4.2 模块一：页面识别与文本提取
设计思路：不是机械地取前两页，而是按内容特征判断每页的角色。
def is_customs_page(text):
"""判断是否为报关单页面"""
if not text or not text.strip():
return False
# 排除放行通知书——关键字"放行通知书""兹申明"
if '放行通知书'in text or'兹申明'in text or'(签印)兹申明'in text:
returnFalse
# 排除委托报关协议——关键字"委托报关协议""通用条款"
if'委托报关协议'in text or'中国报关协会监制'in text or'通用条款'in text:
return False
return True为什么用关键字而不是硬编码页码？ 因为不同代理拼的 PDF，报关单可能在第 1 页、第 1+2 页。枚举关键字比猜页码更稳。
def extract_customs_text(pdf_path):
"""提取所有报关单页→合并文本 + 逐页文本列表"""
reader = PyPDF2.PdfReader(pdf_path)
pages = []
for page in reader.pages:
t = page.extract_text() or ''
if is_customs_page(t):
pages.append(t)
return '\n'.join(pages), pages
# 返回两个值：合并文本（给正则解析用） + 逐页文本（给数量/重量提取用）为什么返回两个值？ 商品型号、单价、总价是全文正则匹配，不需要分页；但数量/重量是逐页按行扫描提取的（详见 4.3），必须保留原文的行结构，不能合并。
4.3 模块二：头部信息解析
设计思路：把多行文本拍平成一个字符串，然后用正则按”锚点”定位每个字段。
def parse_header(text):
flat = ' '.join(text.split()) # 把所有空白字符替换为单个空格
h = {}
# 海关编号 = 预录入编号 = 18位数字
m = re.search(r'预录入编号[：:\s]*(\d{18})', flat)
h['海关编号'] = m.group(1) if m else''
# 境外收货人 = "运输方式(N)"之后、"境外收货人"之前的文本
m = re.search(r'运输方式\(\d+\)\s*(.+?)境外收货人', flat)
h['境外收货人'] = m.group(1).strip() if m else''
# 出口日期 = 紧贴"出口日期"之前的8位数字
m = re.search(r'(\d{8})出口日期', flat)
h['出口日期'] = m.group(1) if m else''
# 申报日期 = 紧贴"申报日期"之前的8位数字
m = re.search(r'(\d{8})申报日期', flat)
h['申报日期'] = m.group(1) if m else''
# 合同协议号 = "贸易国（地区）(XXX)"之后、"合同协议号"之前的文本
m = re.search(r'贸易国（地区）\s*\(\w+\)\s*(.+?)合同协议号', flat)
h['合同协议号'] = m.group(1).strip() if m else''
return h核心技巧：不去解析 PDF 的二维表格坐标，用固定标签（”境外收货人””出口日期”等）作为”锚点”，通过它前后的已知文本做边界定位。例如”境外收货人”前面一定有”运输方式(N)”，这段文字本身就是收货人的名字。它在 PDF 文本中就是一个连续的 span，只是被换行打断了。
.+?（非贪婪匹配），保证只取到”境外收货人”之前。
4.4 模块三：数量/重量提取
这是整个脚本中逻辑最复杂的模块，因为它要处理 PDF 文本顺序和实际表格顺序的颠倒。
原始文本（以第 1 页为例）
10000个 ← 按页面底部→顶部的顺序排列！
1.2千克 ← 商品 6 的净重
10000个25000个
4.4千克 ← 商品 5 的净重
...
155000个1100个
1.9千克 ← 商品 1 的净重
1100个征免 ... ← 尾部 + 表头规律：
-
每个商品的”数量（个）”和”净重（千克）”是一对一配对的 -
PDF 从页面底部向顶部提取，所以排列是倒序的（商品 1 在最下面） -
同一行可能有多个数量值（ 10000个25000个表示两项商品的数量），取最后一个
解析逻辑
def extract_qty_weights(page_text):
lines = page_text.split('\n')
raw = []
for line in lines:
s = line.strip()
# ① 匹配纯重量行: 如 "1.9千克"
kg_m = re.match(r'^([\d.]+)\s*千克$', s)
if kg_m:
raw.append(('w', kg_m.group(1)))
continue
# ② 匹配数量行: 如 "155000个1100个" → 取最后一个 "1100"
if re.match(r'^[\d]+\s*个', s) and'千克'notin s \
and'征免'notin s and'境内'notin s:
nums = re.findall(r'(\d+)\s*个', s)
if nums:
raw.append(('q', nums[-1]))
continue
# ③ 一对一配对（数量 + 重量）
pairs = []
pending = None
for typ, val in raw:
if typ == 'q':
pending = val
elif typ == 'w'and pending:
pairs.append((pending, val))
pending = None
# ④ 反转：PDF是倒序，翻转回正向
returnlist(reversed(pairs))4.5 模块四：商品项目解析：正则兼容 6 种格式变体
商品明细的写法因代理而异（见 2.3 节的格式对比表）。
第一步：定位每个商品的起始位置
# 找所有 "项号 + 商品编号" 起始块
starts = list(re.finditer(r'(?<!\d)(\d)(85\d{8})\s+(?=\D)', flat))这个正则的含义：
-
• (?<!\d)— 前面不能是数字（避免误匹配更大编号中的子串） -
• (\d)— 项号：1 位数字 -
• (85\d{8})— 商品编号：以 85 开头的 10 位海关编码 -
• \s+(?=\D)— 后面跟一个非数字（商品名称开头），确定是商品起始而非其他数字
找到后，每两个 start 位置之间就是一个商品的 “chunk”（文本块）。
第二步：从块中提取型号、量产状态、单价
这是核心正则，用一个表达式兼容 6 种变体：
spec_m = re.search(
r'牌\|(.+?)(?:型)?\|(量产|非量产|量)(?:\|中国?)?(?:\|)?\s*([\d.]+)',
chunk
)逐段拆解：
|
|
|
|
牌| |
|
|
(.+?) |
|
|
(?:型)? |
|
|
| |
|
|
(量产|非量产|量) |
|
|
(?:|中国?)? |
|
|
(?:|)? |
|
|
([\d.]+) |
|
0.4200 |
容错设计：
-
(?:型)?— 型号末尾可能不带”型” -
(?:中国?)?— “中国”可能缩写为”中”，也可能没有 -
型号中的空格通过 replace(' ', '')去掉
第三步：提取总价
tp_m = re.search(r'([\d,.]+)\s*美元', chunk)
total_price = float(tp_m.group(1).replace(',', '')) if tp_m else 0“数字 + 美元”是固定模式，简单可靠。
第四步：组装数据
qty = all_qtys[idx][0] # 从模块三的结果取数量
wt = all_qtys[idx][1] # 从模块三的结果取重量
items.append({
'项号': item_no,
'商品编号': hs_code,
'型号': model,
'是否量产': mass_prod,
'数量': f'{qty}个',
'单位(重量)': f'{wt}千克',
'单价': unit_price,
'总价': total_price,
})数量/重量取自模块三的逐页预提取结果，型号/单价/总价取自当前 chunk 的正则匹配——两者通过索引 idx 对齐。
4.6 模块五：Excel 生成与样式
def generate_excel(all_data, output_path):
wb = Workbook()
ws = wb.active
ws.title = '报关单提取'
# 列定义
head_cols = ['海关编号', '境外收货人', '出口日期', '申报日期', '合同协议号']
item_cols = ['项号', '商品编号', '型号', '是否量产', '数量', '单位(重量)', '单价', '总价(美元)']
all_cols = head_cols + item_cols
# 表头样式：深蓝底白字、微软雅黑
hf = Font(name='微软雅黑', bold=True, size=11, color='FFFFFF')
hfill = PatternFill(start_color='1F4E79', ...)
bd = Border(left=Side('thin'), ...)
...
# 数据行：每个报关单的每个商品一行
for data in all_data:
header = data['header']
for it in data['items']:
r += 1
vals = [header.get(k, '') for k in head_cols] + [
it['项号'], it['商品编号'], it['型号'],
it['是否量产'], it['数量'], it['单位(重量)'],
it['单价'], f"{it['总价']:,.2f}",
]
# 写入单元格...两种用法：
python extract_customs.py E:\Customs\ # 批量处理整个目录
python extract_customs.py 5304XXXXXXXXXXXXXX.pdf # 处理单个文件五、完整代码
以下为完整的 extract_customs.py，可直接运行：
六、运行结果
处理: 5304XXXXXXXXXXXXXX.pdf
海关编号: 5304XXXXXXXXXXXXXX
境外收货人: XXXXXX Limited
合同协议号: XX品牌2026XXXXX等
商品数: 9
[1] XX | 非量产 | 1100个 | 1.9千克 | 单价3.382 | $3,720.20
[2] XX | 量产 | 155000个 | 46.93千克 | 单价4.203 | $651,465.00
........
完成! 共处理 20 个文件 -> 报关单提取结果.xlsx最终输出的 报关单提取结果.xlsx 中，N个 PDF、N项商品，全部规整在一张表里。
![图片[1]-用WorkBuddy 实现一键提取出口报关单-寻找资源网](http://img3.seekresource.com/img/1770)
七、总结
这个脚本的核心思路不是”用 OCR 识别表格”，而是理解 PDF 文本提取的物理规律，然后针对性设计解析逻辑：
-
页面识别靠关键字，不靠页码（适应不同代理的拼页习惯） -
头部信息靠标签定位，用正则的”非贪婪匹配 + 边界锚””找到每个字段的准确位置 -
数量/重量独立提取再反转，应对 PDF 文本倒序的物理特性 -
商品信息用块分割法 + 一个通用正则 -
输出用宽表，头部复制到每一行，方便后续数据透视
看完不过瘾，那就自己发一篇吧！
![表情[nanguo]-寻找资源网](http://www.seekresource.com/wp-content/themes/zibll/img/smilies/nanguo.gif)
![表情[haobang]-寻找资源网](http://www.seekresource.com/wp-content/themes/zibll/img/smilies/haobang.gif)
![表情[shuai]-寻找资源网](http://www.seekresource.com/wp-content/themes/zibll/img/smilies/shuai.gif)
![表情[deyi]-寻找资源网](http://www.seekresource.com/wp-content/themes/zibll/img/smilies/deyi.gif)
![表情[chi]-寻找资源网](http://www.seekresource.com/wp-content/themes/zibll/img/smilies/chi.gif)
暂无评论内容