简介德国民法典全文PDF面向法学专业学生、民法研究者及法律实务工作者提供德国1896年颁布、1998年最近修订的民法典完整文本重点覆盖总则部分。文件为单份PDF约101KB便于在电脑或移动设备上随时查阅、检索与引用。内容按编、章、节层层展开总则部分系统收录了自然人与法人两大板块自然人部分涉及权利能力始于出生、十八周岁成年、住所的设定与废止、非完全行为能力人与军人住所的特殊规则、姓名权保护等条文法人部分则涵盖非经营性社团与经营性社团的权利能力取得方式、外国社团的许可程序、社团住所认定、董事会代表权、成员大会决议规则、章程变更、退出与解散、权利能力剥夺及财产归属等规定。条文编号清晰已废除条款亦有标注适合用于比较法研究、案例检索与课堂教学参考。目前已有526人学习下载可作为研习德国民法总则体系与概念演变的实用文本资料。1. 德国民法典全文 PDF从哪拿、怎么读、如何把它变成能检索的本地库你搜“德国民法典全文.pdf”大概率不是想听法制史而是手头有个具体活儿可能是写论文要核对第 823 条原文可能是做合规要查第 138 条也可能是想把这套 2385 条的法律文本喂进本地检索或 RAG 流程。问题在于网上流传的 PDF 版本极杂有扫描件、有双栏排版、有带页眉页脚的官方公报版还有把 BGB 和 EGBGB 混在一起的合集。直接拿一个来用十有八九会在“复制出来全是断行”或者“条号对不上”上翻车。这篇笔记就按一线做法把德国民法典全文 PDF 的获取、结构解析、文本清洗、本地检索四件事讲透适合需要把 BGB 当数据用的人不适合只想随便翻两条的读者。2. 先搞清楚你手里的是哪种 BGB PDF版本、结构与条号体系2.1 德国民法典 PDF 的三种常见来源与各自特征从业者能拿到的 BGB 全文 PDF基本落在三类里识别错了后面全白干。第一类是官方公报版Bundesgesetzblatt。排版规整、有页眉页脚、条号用 § 开头正文是单栏但页脚有“BGBl. I S. xxxx”这类引用直接抽取会混进正文。这类 PDF 通常是文本层完整的pdftotext 能直接出字。第二类是商业或学术排印版比如常见的双栏学生版。双栏是最大的坑pdftotext 默认按页面从左到右读会把左右两栏交错拼在一起第 433 条和第 434 条可能被缝成一段。这类必须用带 layout 模式的抽取或者干脆按栏切分。第三类是扫描件。没有文本层必须先 OCR。德文 OCR 对 § 符号和罗马数字条号识别率一般需要后处理。判断方法很简单跑一条命令看有没有文本层# 看 PDF 是否含文本层输出为空或极少字符说明是扫描件 pdftotext -f 1 -l 3 bgb.pdf - | wc -c # 看页面布局-layout 保留原始排版便于判断是否双栏 pdftotext -layout -f 1 -l 1 bgb.pdf - | head -40逻辑说明第一条命令只抽前 3 页统计字符数。正常文本层 PDF 每页几百到上千字符扫描件会接近 0。第二条用-layout保留空格和列位置双栏版会明显看到两列文字并排。参数上-f/-l限定起止页调试阶段永远只抽几页别一上来就处理整本。2.2 BGB 的条号体系为什么不能按“第几条”直接切德国民法典的条号是 § 1 到 § 2385但中间有大量“weggefallen”已废止的空号还有 § 433 这种带字母后缀的插入条如 § 433a 已被删除但历史上存在。更麻烦的是BGB 常和 EGBGB施行法合印EGBGB 的条号也是 § 1 起两套 § 混在一个 PDF 里如果你只按§\s*\d正则切会把两套法律搅在一起。所以第一步不是切条是先确定这份 PDF 覆盖的范围。常见做法是抽目录页或前几页看有没有“Bürgerliches Gesetzbuch”和“Einführungsgesetz”两个大标题。我一般会先定位 Buch编级标题Allgemeiner Teil、Schuldrecht、Sachenrecht、Familienrecht、Erbrecht这五编是 BGB 主干EGBGB 不在这五编里。import re # 从整本文本里定位五编标题判断 BGB 正文的起止范围 buch_titles [ Allgemeiner Teil, Recht der Schuldverhältnisse, Sachenrecht, Familienrecht, Erbrecht, ] def locate_bgb_span(full_text): positions {} for t in buch_titles: # 编标题通常独占一行用多行模式匹配 m re.search(rf^\s*{re.escape(t)}\s*$, full_text, re.M) if m: positions[t] m.start() if len(positions) 5: raise ValueError(未找齐五编标题可能不是完整 BGB 或排版异常) start min(positions.values()) end max(positions.values()) return start, end, positions # 用法full_text 为 pdftotext 抽出的全文 # start, end, pos locate_bgb_span(full_text) # bgb_text full_text[start:end]逻辑说明这段代码不切条只做范围裁剪。re.M让^/$匹配每行首尾避免把正文里出现的“Allgemeiner Teil”误判。参数上buch_titles用的是 BGB 官方编名如果你手里的版本用缩写如“AT”“SR”需要相应调整。找不到五编就报错这是有意的——宁可停下确认版本也不要拿半本法律往下跑。2.3 条号切分的可靠锚点§ 符号加行首约束确定范围后切条用§加行首约束最稳。但要注意正文里也会出现“§ 823 Abs. 1”这种引用如果正则不限制行首会把引用当成新条开头。def split_paragraphs(bgb_text): # 行首的 § 加数字允许 § 433a 这类字母后缀 pattern re.compile(r^\s*§\s*(\d[a-z]?)\s, re.M) matches list(pattern.finditer(bgb_text)) paras {} for i, m in enumerate(matches): num m.group(1) start m.start() end matches[i 1].start() if i 1 len(matches) else len(bgb_text) paras[num] bgb_text[start:end].strip() return paras # paras split_paragraphs(bgb_text) # print(len(paras), paras.get(823, )[:200])逻辑说明^\s*§\s*(\d[a-z]?)\s要求 § 出现在行首允许前导空格后面跟数字和至少一个空白这样正文中的“gemäß § 823”不会被误切。(\d[a-z]?)捕获条号兼容字母后缀。切完后用len(paras)和抽查 § 823 验证完整 BGB 应该切出 2000 条以上含废止空号§ 823 开头应是“Wer vorsätzlich oder fahrlässig…”。如果条数明显偏少多半是 PDF 里 § 和数字之间有换行需要把正则改成跨行匹配。3. 把 PDF 变成干净文本pdftotext、OCR 与清洗流水线3.1 文本层 PDF 的抽取参数-layout 与 -raw 怎么选pdftotext有两个关键模式默认模式和-layout。默认模式按阅读顺序输出适合单栏-layout保留物理位置适合双栏但会引入大量空格。-raw则按内容流顺序有时能救回被排版打乱的文本。我的经验是单栏官方版用默认模式双栏版先试-layout再按栏切扫描件走 OCR。不要迷信某一个模式抽完前 5 页人工看一眼再决定。# 单栏默认模式输出干净 pdftotext -enc UTF-8 bgb.pdf bgb_default.txt # 双栏layout 模式保留列位置 pdftotext -layout -enc UTF-8 bgb.pdf bgb_layout.txt # 指定页码范围避免处理整本 pdftotext -f 50 -l 60 -layout -enc UTF-8 bgb.pdf sample.txt参数说明-enc UTF-8必须加德文变音符号ä ö ü ß在默认编码下会乱。-f/-l用于分段调试。抽完后用grep -c §统计 § 出现次数和预期条数对比能快速判断抽取质量。3.2 双栏 PDF 的按栏切分用坐标而不是猜双栏版最稳的做法是用pdftotext -bbox拿到每个词的坐标按 x 坐标分左右栏再各自按 y 排序。这比用-layout后按空格数猜列边界可靠得多。# 输出带坐标的 XML每个词有 xMin xMax yMin yMax pdftotext -bbox -f 50 -l 50 bgb.pdf page50.xmlimport xml.etree.ElementTree as ET def split_two_columns(xml_path, page_width595): # A4 页宽约 595pt中线取一半 mid page_width / 2 tree ET.parse(xml_path) words [] for w in tree.iter(word): xmin float(w.attrib[xMin]) ymin float(w.attrib[yMin]) words.append((xmin, ymin, w.text or )) left sorted([w for w in words if w[0] mid], keylambda t: (t[1], t[0])) right sorted([w for w in words if w[0] mid], keylambda t: (t[1], t[0])) left_text .join(w[2] for w in left) right_text .join(w[2] for w in right) return left_text, right_text # left, right split_two_columns(page50.xml)逻辑说明-bbox输出的 XML 里每个word带坐标。按 xMin 和中线比较分栏再按 (yMin, xMin) 排序还原阅读顺序。参数page_width默认 595A4如果你的 PDF 是其他尺寸从 XML 根节点的width属性读实际值。这个方法对双栏、甚至三栏都适用只要调整分栏阈值。3.3 扫描件的 OCR 与德文特殊字符修复扫描件没有文本层必须 OCR。常见做法是ocrmypdf先加文本层再用 pdftotext 抽。德文 OCR 的关键是语言包选deu并且后处理修复 § 被识别成S、8或$的情况。# 给扫描 PDF 加德文文本层 ocrmypdf -l deu --output-type pdf bgb_scan.pdf bgb_ocr.pdf # 再抽文本 pdftotext -enc UTF-8 bgb_ocr.pdf bgb_ocr.txtimport re def fix_ocr_artifacts(text): # § 常被 OCR 成 S、8、$只在行首且后跟数字时修复 text re.sub(r^\s*[S8$]\s*(\d), r§ \1, text, flagsre.M) # 德文变音符号常见误识 text text.replace(fi, fi).replace(fl, fl) # 合并被 OCR 拆断的单词行尾连字符 text re.sub(r(\w)-\n(\w), r\1\2, text) return text # cleaned fix_ocr_artifacts(open(bgb_ocr.txt, encodingutf-8).read())逻辑说明第一条正则只修行首的S/8/$加数字避免误伤正文里的普通 S。连字符合并处理 OCR 常见的跨行断词。参数上ocrmypdf的-l deu是德文语言包如果同时有拉丁文可写-l deulat。OCR 质量差的页面建议单独重跑并调--oversample 600提高分辨率。4. 本地检索与结构化把 2385 条变成可查询的数据4.1 用 SQLite FTS5 建全文索引清洗完的条文本最实用的落地方式是塞进 SQLite 的 FTS5 全文索引。这样既能按条号精确查也能按关键词模糊搜还不用起服务。import sqlite3 def build_fts(paras, db_pathbgb.db): conn sqlite3.connect(db_path) cur conn.cursor() cur.execute(DROP TABLE IF EXISTS bgb) # 普通表存原文FTS5 存索引 cur.execute(CREATE TABLE bgb (num TEXT PRIMARY KEY, content TEXT)) cur.execute(CREATE VIRTUAL TABLE bgb_fts USING fts5(num, content, contentbgb, content_rowidrowid)) for num, content in paras.items(): cur.execute(INSERT INTO bgb (num, content) VALUES (?, ?), (num, content)) # 同步索引 cur.execute(INSERT INTO bgb_fts(bgb_fts) VALUES(rebuild)) conn.commit() conn.close() # build_fts(paras)逻辑说明contentbgb让 FTS5 作为外部内容表不重复存正文省空间。content_rowidrowid关联普通表。插入后必须执行rebuild同步索引否则搜不到。参数上如果条号有字母后缀num用 TEXT 而不是 INTEGER避免433a被截断。查询示例-- 按条号精确查 SELECT content FROM bgb WHERE num 823; -- 全文搜关键词FTS5 语法 SELECT num, snippet(bgb_fts, 1, [, ], ..., 10) FROM bgb_fts WHERE bgb_fts MATCH Schadensersatz LIMIT 5;4.2 条号引用解析把“§ 823 Abs. 1 BGB”变成可跳转链接BGB 正文里大量交叉引用做检索时把引用解析出来能大幅提升可用性。常见做法是用正则抓§ 数字加可选的Abs.、Satz、BGB再映射到条号。import re def extract_refs(text): # 匹配 § 823、§ 823 Abs. 1、§ 823 Abs. 1 Satz 2 BGB pattern re.compile(r§\s*(\d[a-z]?)(?:\sAbs\.\s*(\d))?(?:\sSatz\s*(\d))?) refs [] for m in pattern.finditer(text): refs.append({ num: m.group(1), abs: m.group(2), satz: m.group(3), }) return refs # refs extract_refs(paras[823])逻辑说明三段可选捕获分别对应条、款、句。[a-z]?兼容字母后缀。参数上如果文本里引用写成“§§ 823, 826”需要额外处理复数符号§§常见做法是先按逗号拆再逐个解析。解析出的 refs 可以存成边表做条与条之间的引用图。4.3 用 ripgrep 做快速命令行检索不想建库时ripgrep 是最快的临时方案。把每条存成单独文件文件名用条号rg直接搜。# 每条一个文件823.txt、824.txt ... mkdir -p bgb_paras python -c import os, json paras json.load(open(paras.json, encodingutf-8)) for num, content in paras.items(): open(fbgb_paras/{num}.txt, w, encodingutf-8).write(content) # 搜关键词并显示条号 rg -l Schadensersatz bgb_paras/ | sort -V # 搜多个词与 rg -l Vorsatz bgb_paras/ | xargs rg -l Schaden逻辑说明文件名即条号rg -l只输出匹配文件sort -V按版本号排序让 823 排在 1000 前。多词与查询用管道串联。参数上-i忽略大小写-w全词匹配德文复合词多一般不加-w。5. 避坑与排查BGB PDF 处理里最容易翻车的 5 个点5.1 现象切出来的条数只有几百条远少于 2385原因PDF 里 § 和数字之间被换行拆开或者 § 用了特殊字符如 U00A7 之外的变体行首正则匹配不到。解决先grep -c §看 § 总数如果 § 数量正常但切条少说明 § 后跟了换行。把正则改成允许跨行re.compile(r§\s*\n?\s*(\d[a-z]?), re.M)或者先做一次re.sub(r§\s*\n\s*, § , text)归一化。5.2 现象双栏版抽出来左右栏文字交错条号乱序原因用了默认 pdftotext 模式处理双栏阅读顺序按物理行而非栏。解决改用-bbox加坐标分栏见 3.2或者用-layout后按固定列宽切。不要用默认模式硬扛双栏。5.3 现象德文变音符号变成 ä ö 这类乱码原因抽取时没指定 UTF-8或者 PDF 内部编码是 Latin-1。解决pdftotext 加-enc UTF-8。如果已经抽成乱码用 Python 做text.encode(latin-1).decode(utf-8)尝试修复但成功率取决于乱码模式最好重新抽。5.4 现象BGB 和 EGBGB 条号混在一起§ 1 出现两次原因PDF 是合印版两套法律都用 § 编号切条时没区分。解决先用 2.2 的方法定位五编范围只切 BGB 主干。EGBGB 单独处理或者在条号前加前缀区分如BGB-1、EGBGB-1。5.5 现象FTS5 建完索引搜不到词原因忘了执行INSERT INTO bgb_fts(bgb_fts) VALUES(rebuild)或者 FTS5 表用了content但普通表插入后没同步。解决插入普通表后必须 rebuild。如果还搜不到检查MATCH的查询词是否被 FTS5 分词器拆错德文复合词可考虑用porter或unicode61分词器建表时指定tokenizeunicode61。6. 进阶把 BGB 条号做成可校验的引用系统与版本比对做到这一步你手里已经有一套可检索的 BGB 条文本。但真正让这套数据“能用”的是两件事引用可校验版本可比对。先说引用校验。BGB 里“§ 823 Abs. 1”这种引用如果目标条不存在比如引用了已废止的条检索系统应该能标出来。做法是拿 4.2 解析出的 refs逐个查paras字典缺失的记下来。我一般会跑一遍全量校验输出一份“悬空引用”清单这能帮你发现 PDF 本身缺页或切条遗漏。def validate_refs(paras): dangling [] for num, content in paras.items(): for ref in extract_refs(content): if ref[num] not in paras: dangling.append((num, ref[num])) return dangling # dangling validate_refs(paras) # print(f悬空引用 {len(dangling)} 处)逻辑说明遍历每条解析引用查目标条号是否存在。dangling里是来源条目标条对。如果悬空引用数量异常多比如上百大概率是切条漏了而不是法律本身引用废止条。参数上可以加一个白名单把已知的废止条号排除。再说版本比对。BGB 每年都在改如果你手上有两个年份的 PDF可以按条号做 diff快速定位哪些条被修改。做法是把两年的paras字典按条号对齐逐条比文本相似度。from difflib import SequenceMatcher def diff_versions(old, new, threshold0.95): changed [] for num in set(old) set(new): ratio SequenceMatcher(None, old[num], new[num]).ratio() if ratio threshold: changed.append((num, round(ratio, 3))) added set(new) - set(old) removed set(old) - set(new) return changed, added, removed # changed, added, removed diff_versions(paras_2020, paras_2024)逻辑说明SequenceMatcher算文本相似度低于阈值视为修改。added/removed是新增和删除的条号。参数threshold默认 0.95调低会漏报小改动调高会误报格式差异。实操中格式差异空格、换行会拉低相似度所以比对前最好先做一次空白归一化。一个具体技巧把条号、修改年份、相似度存成一张表用 SQLite 管理以后每次拿到新版本 PDF 都跑一遍增量比对只关注相似度低于 0.99 的条。这样你不需要每次重读整本法律只看变动部分。CREATE TABLE bgb_changes ( num TEXT, year INTEGER, similarity REAL, PRIMARY KEY (num, year) );我自己的习惯是每拿到一个新版 BGB PDF先跑 2.2 的范围定位再跑 2.3 的切条然后和上一版做 diff最后只把变动条人工过一遍。这套流程跑顺了处理一本新 PDF 到可检索状态半小时以内能完成。踩过的最大坑是早期没做范围定位把 EGBGB 的 § 1 覆盖了 BGB 的 § 1导致查第 1 条时出来的是施行法排查了半天才反应过来是合印版。希望帮到你。本文还有配套的精品资源点击获取 德国民法典PDF处理：从获取到本地检索全流程
简介德国民法典全文PDF面向法学专业学生、民法研究者及法律实务工作者提供德国1896年颁布、1998年最近修订的民法典完整文本重点覆盖总则部分。文件为单份PDF约101KB便于在电脑或移动设备上随时查阅、检索与引用。内容按编、章、节层层展开总则部分系统收录了自然人与法人两大板块自然人部分涉及权利能力始于出生、十八周岁成年、住所的设定与废止、非完全行为能力人与军人住所的特殊规则、姓名权保护等条文法人部分则涵盖非经营性社团与经营性社团的权利能力取得方式、外国社团的许可程序、社团住所认定、董事会代表权、成员大会决议规则、章程变更、退出与解散、权利能力剥夺及财产归属等规定。条文编号清晰已废除条款亦有标注适合用于比较法研究、案例检索与课堂教学参考。目前已有526人学习下载可作为研习德国民法总则体系与概念演变的实用文本资料。1. 德国民法典全文 PDF从哪拿、怎么读、如何把它变成能检索的本地库你搜“德国民法典全文.pdf”大概率不是想听法制史而是手头有个具体活儿可能是写论文要核对第 823 条原文可能是做合规要查第 138 条也可能是想把这套 2385 条的法律文本喂进本地检索或 RAG 流程。问题在于网上流传的 PDF 版本极杂有扫描件、有双栏排版、有带页眉页脚的官方公报版还有把 BGB 和 EGBGB 混在一起的合集。直接拿一个来用十有八九会在“复制出来全是断行”或者“条号对不上”上翻车。这篇笔记就按一线做法把德国民法典全文 PDF 的获取、结构解析、文本清洗、本地检索四件事讲透适合需要把 BGB 当数据用的人不适合只想随便翻两条的读者。2. 先搞清楚你手里的是哪种 BGB PDF版本、结构与条号体系2.1 德国民法典 PDF 的三种常见来源与各自特征从业者能拿到的 BGB 全文 PDF基本落在三类里识别错了后面全白干。第一类是官方公报版Bundesgesetzblatt。排版规整、有页眉页脚、条号用 § 开头正文是单栏但页脚有“BGBl. I S. xxxx”这类引用直接抽取会混进正文。这类 PDF 通常是文本层完整的pdftotext 能直接出字。第二类是商业或学术排印版比如常见的双栏学生版。双栏是最大的坑pdftotext 默认按页面从左到右读会把左右两栏交错拼在一起第 433 条和第 434 条可能被缝成一段。这类必须用带 layout 模式的抽取或者干脆按栏切分。第三类是扫描件。没有文本层必须先 OCR。德文 OCR 对 § 符号和罗马数字条号识别率一般需要后处理。判断方法很简单跑一条命令看有没有文本层# 看 PDF 是否含文本层输出为空或极少字符说明是扫描件 pdftotext -f 1 -l 3 bgb.pdf - | wc -c # 看页面布局-layout 保留原始排版便于判断是否双栏 pdftotext -layout -f 1 -l 1 bgb.pdf - | head -40逻辑说明第一条命令只抽前 3 页统计字符数。正常文本层 PDF 每页几百到上千字符扫描件会接近 0。第二条用-layout保留空格和列位置双栏版会明显看到两列文字并排。参数上-f/-l限定起止页调试阶段永远只抽几页别一上来就处理整本。2.2 BGB 的条号体系为什么不能按“第几条”直接切德国民法典的条号是 § 1 到 § 2385但中间有大量“weggefallen”已废止的空号还有 § 433 这种带字母后缀的插入条如 § 433a 已被删除但历史上存在。更麻烦的是BGB 常和 EGBGB施行法合印EGBGB 的条号也是 § 1 起两套 § 混在一个 PDF 里如果你只按§\s*\d正则切会把两套法律搅在一起。所以第一步不是切条是先确定这份 PDF 覆盖的范围。常见做法是抽目录页或前几页看有没有“Bürgerliches Gesetzbuch”和“Einführungsgesetz”两个大标题。我一般会先定位 Buch编级标题Allgemeiner Teil、Schuldrecht、Sachenrecht、Familienrecht、Erbrecht这五编是 BGB 主干EGBGB 不在这五编里。import re # 从整本文本里定位五编标题判断 BGB 正文的起止范围 buch_titles [ Allgemeiner Teil, Recht der Schuldverhältnisse, Sachenrecht, Familienrecht, Erbrecht, ] def locate_bgb_span(full_text): positions {} for t in buch_titles: # 编标题通常独占一行用多行模式匹配 m re.search(rf^\s*{re.escape(t)}\s*$, full_text, re.M) if m: positions[t] m.start() if len(positions) 5: raise ValueError(未找齐五编标题可能不是完整 BGB 或排版异常) start min(positions.values()) end max(positions.values()) return start, end, positions # 用法full_text 为 pdftotext 抽出的全文 # start, end, pos locate_bgb_span(full_text) # bgb_text full_text[start:end]逻辑说明这段代码不切条只做范围裁剪。re.M让^/$匹配每行首尾避免把正文里出现的“Allgemeiner Teil”误判。参数上buch_titles用的是 BGB 官方编名如果你手里的版本用缩写如“AT”“SR”需要相应调整。找不到五编就报错这是有意的——宁可停下确认版本也不要拿半本法律往下跑。2.3 条号切分的可靠锚点§ 符号加行首约束确定范围后切条用§加行首约束最稳。但要注意正文里也会出现“§ 823 Abs. 1”这种引用如果正则不限制行首会把引用当成新条开头。def split_paragraphs(bgb_text): # 行首的 § 加数字允许 § 433a 这类字母后缀 pattern re.compile(r^\s*§\s*(\d[a-z]?)\s, re.M) matches list(pattern.finditer(bgb_text)) paras {} for i, m in enumerate(matches): num m.group(1) start m.start() end matches[i 1].start() if i 1 len(matches) else len(bgb_text) paras[num] bgb_text[start:end].strip() return paras # paras split_paragraphs(bgb_text) # print(len(paras), paras.get(823, )[:200])逻辑说明^\s*§\s*(\d[a-z]?)\s要求 § 出现在行首允许前导空格后面跟数字和至少一个空白这样正文中的“gemäß § 823”不会被误切。(\d[a-z]?)捕获条号兼容字母后缀。切完后用len(paras)和抽查 § 823 验证完整 BGB 应该切出 2000 条以上含废止空号§ 823 开头应是“Wer vorsätzlich oder fahrlässig…”。如果条数明显偏少多半是 PDF 里 § 和数字之间有换行需要把正则改成跨行匹配。3. 把 PDF 变成干净文本pdftotext、OCR 与清洗流水线3.1 文本层 PDF 的抽取参数-layout 与 -raw 怎么选pdftotext有两个关键模式默认模式和-layout。默认模式按阅读顺序输出适合单栏-layout保留物理位置适合双栏但会引入大量空格。-raw则按内容流顺序有时能救回被排版打乱的文本。我的经验是单栏官方版用默认模式双栏版先试-layout再按栏切扫描件走 OCR。不要迷信某一个模式抽完前 5 页人工看一眼再决定。# 单栏默认模式输出干净 pdftotext -enc UTF-8 bgb.pdf bgb_default.txt # 双栏layout 模式保留列位置 pdftotext -layout -enc UTF-8 bgb.pdf bgb_layout.txt # 指定页码范围避免处理整本 pdftotext -f 50 -l 60 -layout -enc UTF-8 bgb.pdf sample.txt参数说明-enc UTF-8必须加德文变音符号ä ö ü ß在默认编码下会乱。-f/-l用于分段调试。抽完后用grep -c §统计 § 出现次数和预期条数对比能快速判断抽取质量。3.2 双栏 PDF 的按栏切分用坐标而不是猜双栏版最稳的做法是用pdftotext -bbox拿到每个词的坐标按 x 坐标分左右栏再各自按 y 排序。这比用-layout后按空格数猜列边界可靠得多。# 输出带坐标的 XML每个词有 xMin xMax yMin yMax pdftotext -bbox -f 50 -l 50 bgb.pdf page50.xmlimport xml.etree.ElementTree as ET def split_two_columns(xml_path, page_width595): # A4 页宽约 595pt中线取一半 mid page_width / 2 tree ET.parse(xml_path) words [] for w in tree.iter(word): xmin float(w.attrib[xMin]) ymin float(w.attrib[yMin]) words.append((xmin, ymin, w.text or )) left sorted([w for w in words if w[0] mid], keylambda t: (t[1], t[0])) right sorted([w for w in words if w[0] mid], keylambda t: (t[1], t[0])) left_text .join(w[2] for w in left) right_text .join(w[2] for w in right) return left_text, right_text # left, right split_two_columns(page50.xml)逻辑说明-bbox输出的 XML 里每个word带坐标。按 xMin 和中线比较分栏再按 (yMin, xMin) 排序还原阅读顺序。参数page_width默认 595A4如果你的 PDF 是其他尺寸从 XML 根节点的width属性读实际值。这个方法对双栏、甚至三栏都适用只要调整分栏阈值。3.3 扫描件的 OCR 与德文特殊字符修复扫描件没有文本层必须 OCR。常见做法是ocrmypdf先加文本层再用 pdftotext 抽。德文 OCR 的关键是语言包选deu并且后处理修复 § 被识别成S、8或$的情况。# 给扫描 PDF 加德文文本层 ocrmypdf -l deu --output-type pdf bgb_scan.pdf bgb_ocr.pdf # 再抽文本 pdftotext -enc UTF-8 bgb_ocr.pdf bgb_ocr.txtimport re def fix_ocr_artifacts(text): # § 常被 OCR 成 S、8、$只在行首且后跟数字时修复 text re.sub(r^\s*[S8$]\s*(\d), r§ \1, text, flagsre.M) # 德文变音符号常见误识 text text.replace(fi, fi).replace(fl, fl) # 合并被 OCR 拆断的单词行尾连字符 text re.sub(r(\w)-\n(\w), r\1\2, text) return text # cleaned fix_ocr_artifacts(open(bgb_ocr.txt, encodingutf-8).read())逻辑说明第一条正则只修行首的S/8/$加数字避免误伤正文里的普通 S。连字符合并处理 OCR 常见的跨行断词。参数上ocrmypdf的-l deu是德文语言包如果同时有拉丁文可写-l deulat。OCR 质量差的页面建议单独重跑并调--oversample 600提高分辨率。4. 本地检索与结构化把 2385 条变成可查询的数据4.1 用 SQLite FTS5 建全文索引清洗完的条文本最实用的落地方式是塞进 SQLite 的 FTS5 全文索引。这样既能按条号精确查也能按关键词模糊搜还不用起服务。import sqlite3 def build_fts(paras, db_pathbgb.db): conn sqlite3.connect(db_path) cur conn.cursor() cur.execute(DROP TABLE IF EXISTS bgb) # 普通表存原文FTS5 存索引 cur.execute(CREATE TABLE bgb (num TEXT PRIMARY KEY, content TEXT)) cur.execute(CREATE VIRTUAL TABLE bgb_fts USING fts5(num, content, contentbgb, content_rowidrowid)) for num, content in paras.items(): cur.execute(INSERT INTO bgb (num, content) VALUES (?, ?), (num, content)) # 同步索引 cur.execute(INSERT INTO bgb_fts(bgb_fts) VALUES(rebuild)) conn.commit() conn.close() # build_fts(paras)逻辑说明contentbgb让 FTS5 作为外部内容表不重复存正文省空间。content_rowidrowid关联普通表。插入后必须执行rebuild同步索引否则搜不到。参数上如果条号有字母后缀num用 TEXT 而不是 INTEGER避免433a被截断。查询示例-- 按条号精确查 SELECT content FROM bgb WHERE num 823; -- 全文搜关键词FTS5 语法 SELECT num, snippet(bgb_fts, 1, [, ], ..., 10) FROM bgb_fts WHERE bgb_fts MATCH Schadensersatz LIMIT 5;4.2 条号引用解析把“§ 823 Abs. 1 BGB”变成可跳转链接BGB 正文里大量交叉引用做检索时把引用解析出来能大幅提升可用性。常见做法是用正则抓§ 数字加可选的Abs.、Satz、BGB再映射到条号。import re def extract_refs(text): # 匹配 § 823、§ 823 Abs. 1、§ 823 Abs. 1 Satz 2 BGB pattern re.compile(r§\s*(\d[a-z]?)(?:\sAbs\.\s*(\d))?(?:\sSatz\s*(\d))?) refs [] for m in pattern.finditer(text): refs.append({ num: m.group(1), abs: m.group(2), satz: m.group(3), }) return refs # refs extract_refs(paras[823])逻辑说明三段可选捕获分别对应条、款、句。[a-z]?兼容字母后缀。参数上如果文本里引用写成“§§ 823, 826”需要额外处理复数符号§§常见做法是先按逗号拆再逐个解析。解析出的 refs 可以存成边表做条与条之间的引用图。4.3 用 ripgrep 做快速命令行检索不想建库时ripgrep 是最快的临时方案。把每条存成单独文件文件名用条号rg直接搜。# 每条一个文件823.txt、824.txt ... mkdir -p bgb_paras python -c import os, json paras json.load(open(paras.json, encodingutf-8)) for num, content in paras.items(): open(fbgb_paras/{num}.txt, w, encodingutf-8).write(content) # 搜关键词并显示条号 rg -l Schadensersatz bgb_paras/ | sort -V # 搜多个词与 rg -l Vorsatz bgb_paras/ | xargs rg -l Schaden逻辑说明文件名即条号rg -l只输出匹配文件sort -V按版本号排序让 823 排在 1000 前。多词与查询用管道串联。参数上-i忽略大小写-w全词匹配德文复合词多一般不加-w。5. 避坑与排查BGB PDF 处理里最容易翻车的 5 个点5.1 现象切出来的条数只有几百条远少于 2385原因PDF 里 § 和数字之间被换行拆开或者 § 用了特殊字符如 U00A7 之外的变体行首正则匹配不到。解决先grep -c §看 § 总数如果 § 数量正常但切条少说明 § 后跟了换行。把正则改成允许跨行re.compile(r§\s*\n?\s*(\d[a-z]?), re.M)或者先做一次re.sub(r§\s*\n\s*, § , text)归一化。5.2 现象双栏版抽出来左右栏文字交错条号乱序原因用了默认 pdftotext 模式处理双栏阅读顺序按物理行而非栏。解决改用-bbox加坐标分栏见 3.2或者用-layout后按固定列宽切。不要用默认模式硬扛双栏。5.3 现象德文变音符号变成 ä ö 这类乱码原因抽取时没指定 UTF-8或者 PDF 内部编码是 Latin-1。解决pdftotext 加-enc UTF-8。如果已经抽成乱码用 Python 做text.encode(latin-1).decode(utf-8)尝试修复但成功率取决于乱码模式最好重新抽。5.4 现象BGB 和 EGBGB 条号混在一起§ 1 出现两次原因PDF 是合印版两套法律都用 § 编号切条时没区分。解决先用 2.2 的方法定位五编范围只切 BGB 主干。EGBGB 单独处理或者在条号前加前缀区分如BGB-1、EGBGB-1。5.5 现象FTS5 建完索引搜不到词原因忘了执行INSERT INTO bgb_fts(bgb_fts) VALUES(rebuild)或者 FTS5 表用了content但普通表插入后没同步。解决插入普通表后必须 rebuild。如果还搜不到检查MATCH的查询词是否被 FTS5 分词器拆错德文复合词可考虑用porter或unicode61分词器建表时指定tokenizeunicode61。6. 进阶把 BGB 条号做成可校验的引用系统与版本比对做到这一步你手里已经有一套可检索的 BGB 条文本。但真正让这套数据“能用”的是两件事引用可校验版本可比对。先说引用校验。BGB 里“§ 823 Abs. 1”这种引用如果目标条不存在比如引用了已废止的条检索系统应该能标出来。做法是拿 4.2 解析出的 refs逐个查paras字典缺失的记下来。我一般会跑一遍全量校验输出一份“悬空引用”清单这能帮你发现 PDF 本身缺页或切条遗漏。def validate_refs(paras): dangling [] for num, content in paras.items(): for ref in extract_refs(content): if ref[num] not in paras: dangling.append((num, ref[num])) return dangling # dangling validate_refs(paras) # print(f悬空引用 {len(dangling)} 处)逻辑说明遍历每条解析引用查目标条号是否存在。dangling里是来源条目标条对。如果悬空引用数量异常多比如上百大概率是切条漏了而不是法律本身引用废止条。参数上可以加一个白名单把已知的废止条号排除。再说版本比对。BGB 每年都在改如果你手上有两个年份的 PDF可以按条号做 diff快速定位哪些条被修改。做法是把两年的paras字典按条号对齐逐条比文本相似度。from difflib import SequenceMatcher def diff_versions(old, new, threshold0.95): changed [] for num in set(old) set(new): ratio SequenceMatcher(None, old[num], new[num]).ratio() if ratio threshold: changed.append((num, round(ratio, 3))) added set(new) - set(old) removed set(old) - set(new) return changed, added, removed # changed, added, removed diff_versions(paras_2020, paras_2024)逻辑说明SequenceMatcher算文本相似度低于阈值视为修改。added/removed是新增和删除的条号。参数threshold默认 0.95调低会漏报小改动调高会误报格式差异。实操中格式差异空格、换行会拉低相似度所以比对前最好先做一次空白归一化。一个具体技巧把条号、修改年份、相似度存成一张表用 SQLite 管理以后每次拿到新版本 PDF 都跑一遍增量比对只关注相似度低于 0.99 的条。这样你不需要每次重读整本法律只看变动部分。CREATE TABLE bgb_changes ( num TEXT, year INTEGER, similarity REAL, PRIMARY KEY (num, year) );我自己的习惯是每拿到一个新版 BGB PDF先跑 2.2 的范围定位再跑 2.3 的切条然后和上一版做 diff最后只把变动条人工过一遍。这套流程跑顺了处理一本新 PDF 到可检索状态半小时以内能完成。踩过的最大坑是早期没做范围定位把 EGBGB 的 § 1 覆盖了 BGB 的 § 1导致查第 1 条时出来的是施行法排查了半天才反应过来是合印版。希望帮到你。本文还有配套的精品资源点击获取