简介这份PDF文档系统整理了国际航空运输协会IATA为全球航空公司指定的两字母代码并附有对应的三字母代码参考面向航空从业者、票务代理、航班数据分析人员及航空爱好者。内容按代码首字符从A到Z及数字0-9排列逐条列出代码、航空公司名称与所属国家或地区涵盖琥珀航空、四川航空、宿雾太平洋航空等众多航司也收录了伽利略、Sabre等全球分销系统及部分铁路运营商的识别代码。资源包共1个PDF文件约690KB页面结构清晰便于按字母顺序快速检索与对照查阅。目前已有413人学习浏览。读者可借此掌握IATA 762号决议下的代码分配规则理解两字代码在预订、时刻表、票务、征税、航空提单及无线电通讯中的实际用途并区分唯一英文号、数字加英文号与可控重复码三类编码形式适合作为日常查询与业务核对的实用工具手册。1. 从一份 IATA 航空公司代码 PDF 说起它到底能解决什么问题手里拿到一份IATA航空公司代码.pdf多数人的第一反应是「查个两字码而已」。真到落地场景里事情没这么简单航司两字码2-letter code和三字码3-letter code、结算代码、ICAO 三字呼号、国家/地区归属、联盟归属、是否仍在运营、是否被合并或更名——这些字段经常被混在一张表里来源不同、口径不同、更新节奏也不同。PDF 这种载体天生适合人读不适合程序读一旦要拿它去对接订座系统、做运价匹配、清洗航班数据、给 BI 报表补维度问题就集中爆发列对不齐、换行断字、合并单元格、脚注混进正文、历史航司和现役航司混排。这份 PDF 真正能解决的问题是把「航司代码」从一个模糊的字符串变成一张可被程序消费的维表。适合谁做航班数据清洗的数据工程师、做机票/差旅系统的后端、做航空数据分析的分析师以及需要把 IATA 代码映射到内部主数据的产品同学。它不适合谁只想临时查一个代码的人直接搜在线查询页更快。下面按「先立住概念 → 再动手抽取 → 再讲坑 → 最后讲进阶校验」的顺序把这份 PDF 从静态文档变成可用数据资产的全过程讲清楚。2. 先分清 IATA 两字码、三字码和 ICAO 呼号选错字段后面全白干2.1 四种「航司代码」的真实区别与使用场景很多人把「航司代码」当成一个东西实际至少有四套并行体系混用会直接导致数据对不上。代码类型长度典型示例形态主要用途谁在用IATA 两字码2 位字母/数字两位大写订座、票务、运价、行李规则航司、GDS、OTAIATA 三字码会计代码3 位数字三位数字结算、开账、BSP 对账财务、结算系统ICAO 三字码3 位字母三位大写字母空管、飞行计划、航行情报空管、运行控制IATA 三字呼号3 位字母三位大写字母无线电呼号、航班号前缀运行、签派关键点IATA 两字码是业务主键ICAO 三字码是运行主键两者不能互相替代。比如同一家航司两字码用于卖票ICAO 码用于飞。做数据清洗时如果 PDF 里同时出现这两列必须分别建字段不能合并成一列「航司代码」。提示IATA 两字码存在复用历史。某家航司停运后其两字码可能被另一家航司重新启用。所以「代码 → 航司」不是永久一对一必须带生效时间维度。2.2 为什么 PDF 是最难啃的载体结构特征先摸清在动手写解析脚本前先花十分钟把 PDF 的「物理结构」看清楚能省掉后面几小时的返工。常见特征有这几类表头跨页重复但列宽在不同页可能微调航司名称过长时自动换行导致一行数据在文本层被拆成两行国家/地区列有时用全称、有时用两字国家码脚注用上标数字抽取后混进名称字段已停运航司用删除线或灰色标注文本层无法体现。判断方法用pdfplumber先 dump 第一页的字符坐标看列是否稳定再用pdftotext -layout看纯文本版是否可读。两种结果对比决定走「坐标抽取」还是「文本流解析」。# 先看文本层是否可用-layout 保留原始排版 pdftotext -layout IATA航空公司代码.pdf out_layout.txt # 再看字符级坐标判断列是否对齐 python -c import pdfplumber; pdfpdfplumber.open(IATA航空公司代码.pdf); print(pdf.pages[0].extract_words()[:5])逻辑说明pdftotext -layout输出的是「人眼版」如果列对得整齐说明文本流解析可行extract_words()返回每个词的坐标如果同一列的 x0 值波动很小说明坐标抽取更稳。参数上-layout不加会丢失列关系加了会引入多余空格后续要统一处理。3. 用 pdfplumber 把 PDF 抽成结构化表最小可跑通脚本3.1 环境准备与依赖版本边界我一般用 Python 3.9核心依赖三个pdfplumber负责抽取pandas负责清洗re负责正则。不推荐用PyPDF2做表格抽取它对合并单元格和跨页表头支持很差容易在「航司名称换行」上翻车。pip install pdfplumber0.10.3 pandas2.1.4版本上不用追最新pdfplumber0.10.x 对extract_table的table_settings支持已经够用。如果 PDF 是扫描件文本层为空这套方案直接失效需要先做 OCR那是另一条路径本文不展开。3.2 逐页抽取表格并处理跨页表头import pdfplumber import pandas as pd import re def extract_airline_table(pdf_path): all_rows [] header None with pdfplumber.open(pdf_path) as pdf: for page in pdf.pages: # 用线条策略抽表适合有边框的 PDF table page.extract_table({ vertical_strategy: lines, horizontal_strategy: lines, snap_tolerance: 3, }) if not table: continue for row in table: # 清理 None 和多余空白 cleaned [re.sub(r\s, , (c or )).strip() for c in row] # 判断是否表头行包含「代码」「名称」等关键词 if any(k in .join(cleaned) for k in [两字码, 三字码, 航司名称]): if header is None: header cleaned continue all_rows.append(cleaned) df pd.DataFrame(all_rows, columnsheader) return df df extract_airline_table(IATA航空公司代码.pdf) print(df.shape) print(df.head())逻辑说明vertical_strategylines表示按 PDF 里的竖线切列适合有完整边框的表snap_tolerance3是坐标吸附容差PDF 里线条常有 1-2 像素偏移设太小会漏切设太大会把相邻列合并。表头判断用关键词匹配因为跨页后表头会重复出现只保留第一次。re.sub(r\s, , ...)把换行和连续空格压成单空格解决「航司名称被拆行」的问题。参数怎么改如果 PDF 没有边框线把vertical_strategy改成text并配合min_words_vertical控制列识别如果列被错误合并调大snap_tolerance到 5如果表头识别失败把关键词列表换成 PDF 里实际出现的列名。3.3 字段规范化两字码、三字码、国家码分开存抽出来只是第一步字段类型必须显式定义否则后面 join 必出问题。def normalize(df): df df.rename(columnslambda x: x.strip()) # 两字码强制大写去除非字母数字 df[iata_2code] df[两字码].str.upper().str.replace(r[^A-Z0-9], , regexTrue) # IATA 三字码纯数字补零到 3 位 df[iata_3code] df[三字码].astype(str).str.extract(r(\d))[0].str.zfill(3) # 国家/地区统一成两字码这里假设 PDF 给的是全称需映射 df[country] df[国家/地区].str.strip() # 标记是否现役名称里含「已停运」「合并」等关键词 df[is_active] ~df[航司名称].str.contains(已停运|合并|更名, naFalse) return df[[iata_2code, iata_3code, 航司名称, country, is_active]] df_clean normalize(df) df_clean.to_csv(airlines_clean.csv, indexFalse)逻辑说明两字码用str.replace去掉 PDF 里可能混入的括号和空格三字码用str.extract(r(\d))只取数字部分再zfill(3)补零防止「012」被读成「12」。is_active用关键词反向标记这是最省事的做法但边界在于如果 PDF 用删除线而非文字标注停运这个方法会漏需要结合坐标或颜色信息属于进阶处理。注意zfill(3)必须在astype(str)之后如果列里混了浮点数如 12.0要先转 int 再转 str否则会得到「12.」这种脏值。4. 避坑与排查IATA 代码抽取里最容易翻车的 5 个点4.1 现象抽出来的行数比 PDF 目视行数少原因PDF 里存在合并单元格extract_table把跨行单元格只填在第一行后续行该列为空被误判为无效行丢弃。解决不要用「整行非空」做过滤条件改成「两字码列非空」作为有效行判断或者在table_settings里加intersection_tolerance: 5让合并单元格的边界更宽松。4.2 现象航司名称里混进了脚注数字原因PDF 脚注用上标文本层里上标和正文在同一行抽取后变成「某某航空1」。解决在清洗阶段用正则去掉名称末尾的孤立数字re.sub(r\d$, , name)但要注意有些航司名称本身以数字结尾如「XX 航空 1」这种极少见情况所以只去末尾且长度小于 3 的数字串。4.3 现象两字码大小写不一致join 时对不上原因PDF 排版里有些代码是小写有些是大写文本层原样保留。解决所有代码字段统一str.upper()并且在入库前加CHECK约束或 pandas 的assert确保没有小写残留。这是血泪经验曾经因为一个「aa」和「AA」对不上排查了一下午。4.4 现象同一航司出现多行代码相同但名称不同原因PDF 里同时列了现役名称和历史名称或者同一航司在不同国家/地区有不同注册实体。解决以两字码 生效日期为联合主键去重保留最新一条如果没有日期列按 PDF 页码顺序保留最后一条并在数据里加source_page字段便于回溯。4.5 现象扫描版 PDF 抽出来全是空原因PDF 没有文本层pdfplumber读不到字符。解决先用pdfplumber检查page.chars是否为空为空则走 OCR 路径如pytesseract但 OCR 对表格结构还原差建议 OCR 后仍用坐标法重建列不要直接信任 OCR 的文本流。5. 进阶把代码表变成可校验的主数据并做交叉验证5.1 用 ICAO 码做交叉校验发现错行和错列单靠 IATA 两字码无法发现「列错位」问题因为两字码本身看起来都合法。引入 ICAO 三字码做交叉校验能抓出大部分错行正常航司的 IATA 两字码和 ICAO 三字码在公开资料里有固定对应关系如果抽出来的组合在已知映射里查不到大概率是列错位或行错位。# 假设有一份已知的 iata-icao 映射可从公开航司数据整理 known_map {CA: CCA, MU: CES, CZ: CSN} # 示例实际需补全 def cross_check(df, icao_colicao_3code): def check(row): expected known_map.get(row[iata_2code]) if expected and row[icao_col] ! expected: return MISMATCH return OK df[check] df.apply(check, axis1) return df[df[check] MISMATCH]逻辑说明known_map是人工整理的基准映射只覆盖常见航司但足以发现系统性错位。apply逐行比对返回不匹配的行。参数上icao_col要指向 PDF 里实际抽出的 ICAO 列名如果 PDF 没有这一列这一步跳过改用「国家/地区 航司名称关键词」做弱校验。5.2 建立更新机制PDF 会变代码表不能只抽一次IATA 代码表不是静态的航司更名、合并、停运都会导致代码变化。我一般会做三件事第一把每次抽取的 CSV 按snapshot_date存档保留历史版本第二用iata_2code做主键做增量对比新增和消失的代码单独输出一份 diff 报告第三在数据库里给is_active字段加更新时间戳查询时默认只取现役需要历史时显式带上时间条件。import datetime def snapshot(df, pathairlines_clean.csv): df[snapshot_date] datetime.date.today().isoformat() df.to_csv(path, indexFalse) # 与上一版对比 try: prev pd.read_csv(path.replace(.csv, _prev.csv)) new_codes set(df[iata_2code]) - set(prev[iata_2code]) gone_codes set(prev[iata_2code]) - set(df[iata_2code]) print(新增:, new_codes) print(消失:, gone_codes) except FileNotFoundError: pass逻辑说明snapshot_date让每次抽取可追溯diff 用集合差集输出新增和消失的代码。参数上path指向当前版本_prev.csv是上一版实际使用时可以用日期命名文件避免覆盖。5.3 一个具体技巧用「代码 名称首词」做模糊去重有些 PDF 里同一航司因为名称换行被拆成两条记录两字码相同但名称一条是「中国国际航空」另一条是「中国国际航」。用difflib.SequenceMatcher对同一两字码下的名称做相似度比对相似度高于 0.8 的合并保留较长的那条。这个技巧帮我省掉过大量手工核对但要注意相似度阈值不要设太低否则会把「XX 航空」和「XX 航空货运」这种真实不同的实体合并。from difflib import SequenceMatcher def dedup_by_similarity(df, threshold0.8): result [] for code, group in df.groupby(iata_2code): names group[航司名称].tolist() merged [] for name in names: if not merged: merged.append(name) continue if SequenceMatcher(None, merged[-1], name).ratio() threshold: # 保留较长的名称 if len(name) len(merged[-1]): merged[-1] name else: merged.append(name) for m in merged: result.append({iata_2code: code, 航司名称: m}) return pd.DataFrame(result)逻辑说明groupby按两字码分组组内用SequenceMatcher逐条比对相似则合并保留长名。threshold0.8是经验值低于 0.7 会误合并高于 0.9 会漏合并。这个方法的边界在于它假设同一两字码下不会有多家真实不同的航司如果 PDF 里存在代码复用历史航司和现役航司同码需要先按is_active分组再执行。我自己的习惯是每次拿到新的 IATA 代码 PDF先跑一遍抽取脚本把结果和上一版 diff 一遍重点看「消失的代码」——那往往意味着航司停运或合并是业务上最需要关注的变化。这套流程跑顺之后一份 PDF 从拿到到变成可 join 的维表大概二十分钟。希望帮到你。本文还有配套的精品资源点击获取