如何用Python将非表格/容器类PDF数据转为列格式表格

需求说明 #

将PDF中的检验结果数据转换为用|分隔的结构化格式，无需依赖AI模型，替代此前在R中通过识别大空格替换为|的实现方式，解决使用pdfplumber、PdfReader、pytesseract时遇到的结构化提取问题。

已尝试工具及问题 #

• pdfplumber：仅能提取顶部结构化个人信息，无法提取靠大空格分隔的检验结果数据
  代码示例：

  import pandas as pd
  import pdfplumber
  
  path = r"my_pdf_file.pdf"
  
  data = []
  
  with pdfplumber.open(path) as pdf:
      pages = pdf.pages
      for p in pages:
              data.append(p.extract_tables())
  
  print(data)
  

  问题：提取结果仅包含患者信息，无法获取检验结果数据。

• PdfReader：仅返回纯文本格式，无结构化表格数据
  代码示例：

  from pypdf import PdfReader
  reader = PdfReader(path)
  reader.pages[0].extract_text().splitlines()
  

  问题：输出为无结构的文本行，无法直接转为表格。

• pytesseract：提取的文本中检验结果靠空格分隔，无法直接转为目标格式

解决方案：基于大空格识别的文本处理 #

通过识别文本中的连续多空格，将其替换为|，同时保留特殊说明行的原始格式，以下是Python实现：

实现步骤 #

1. 用PdfReader或pytesseract提取PDF纯文本行
2. 遍历每行内容，区分检验结果行与说明行
3. 用正则表达式将连续多空格替换为|
4. 直接保留说明类行的原始格式

代码实现 #

from pypdf import PdfReader
import re

def process_pdf_test_results(pdf_path):
    reader = PdfReader(pdf_path)
    processed_lines = []
    # 匹配连续2个及以上空格的正则规则
    multi_space_pattern = re.compile(r'\s{2,}')
    
    for page in reader.pages:
        text_lines = page.extract_text().splitlines()
        for line in text_lines:
            stripped_line = line.strip()
            if not stripped_line:
                continue
            # 简单判断：包含数字的行视为检验结果行
            if any(char.isdigit() for char in stripped_line):
                processed_line = multi_space_pattern.sub('|', stripped_line)
                processed_lines.append(processed_line)
            else:
                # 保留检测方法等说明类行
                processed_lines.append(stripped_line)
    return processed_lines

# 使用示例
path = r"my_pdf_file.pdf"
result = process_pdf_test_results(path)
for line in result:
    print(line)

预期输出示例 #

血尿素氮(BUN)|15|6-21|mg/dl
(检测方法：计算法)
血清肌酐|1.10|0.9-1.3|mg/dL

补充优化建议 #

• 若pytesseract提取的文本存在断行、空格混乱问题，可先增加预处理步骤：合并连续的断行、去除无意义的单个空格
• 可根据实际PDF格式，调整检验结果行的判断逻辑，比如增加对常见检验单位（mg/dl、mmol/L等）的匹配，提升识别准确率

内容的提问来源于stack exchange，提问作者ViSa