使用pdfplumber提取PDF表格时跨页拆分单元格的检测方法求助

针对长表格中单元格跨页拆分的问题，你可以通过以下思路和代码实现检测：

核心检测逻辑 #

跨页拆分的单元格通常具备两个特征：

1. 前后页对应列的单元格边界（左右坐标）高度对齐
2. 单元格内容呈现截断/延续的状态（比如前页单元格结尾是半截内容，后页开头是剩余部分）

具体实现步骤 #

1. 对比前后页表格的单元格边界 #

利用pdfplumber提取单元格的坐标信息，判断相邻页面同一列的单元格是否属于同一个跨页单元格：

• 加载PDF文档，遍历连续页面
• 以return_format="cells"的方式提取表格，获取每个单元格的left、right、top、bottom属性
• 对比前页最后一行和当前页第一行的对应列单元格，若左右坐标几乎一致，且前页单元格底部接近页面底部、当前页单元格顶部接近页面顶部，则判定为跨页拆分

2. 检测内容的延续性 #

通过文本内容的特征判断：

• 前页单元格内容以小写字母、标点（如破折号、逗号）结尾，后页对应单元格内容以小写字母开头（排除标题类的首字母大写情况）
• 结合业务场景的内容特征（比如学生反馈的文本通常是连续段落）

代码示例 #

import pdfplumber

def detect_cross_page_cells(pdf_path):
    with pdfplumber.open(pdf_path) as pdf:
        # 从第二页开始，和前一页做对比
        for page_num in range(1, len(pdf.pages)):
            prev_page = pdf.pages[page_num - 1]
            curr_page = pdf.pages[page_num]
            
            # 以单元格对象形式提取表格，保留坐标信息
            prev_table = prev_page.extract_table(table_settings={"return_format": "cells"})
            curr_table = curr_page.extract_table(table_settings={"return_format": "cells"})
            
            if not prev_table or not curr_table:
                continue
            # 确认前后页表格列数一致（同个跨页表格的列数通常相同）
            if len(prev_table[0]) != len(curr_table[0]):
                continue
            
            prev_last_row = prev_table[-1]
            curr_first_row = curr_table[0]
            
            for col_idx in range(len(prev_last_row)):
                prev_cell = prev_last_row[col_idx]
                curr_cell = curr_first_row[col_idx]
                
                # 跳过空单元格
                if not prev_cell["text"].strip() or not curr_cell["text"].strip():
                    continue
                
                # 条件1：左右坐标高度对齐（误差小于1像素）
                coord_match = (abs(prev_cell["left"] - curr_cell["left"]) < 1) and \
                              (abs(prev_cell["right"] - curr_cell["right"]) < 1)
                
                # 条件2：内容呈现延续性（可根据实际文档调整规则）
                text_continues = False
                prev_text_end = prev_cell["text"].strip()[-1]
                curr_text_start = curr_cell["text"].strip()[0]
                # 比如前结尾是小写字母/标点，后开头是小写字母
                if (prev_text_end.islower() or prev_text_end in [",", "-", "."]) and curr_text_start.islower():
                    text_continues = True
                
                if coord_match and text_continues:
                    print(f"检测到跨页拆分单元格：第{page_num+1}页与第{page_num+2}页，第{col_idx+1}列")

# 替换为你的PDF路径
detect_cross_page_cells("student_feedback_report.pdf")

额外优化建议 #

• 若表格有固定表头，可先识别表头，跳过表头行的对比
• 调整table_settings参数优化表格提取，比如设置vertical_strategy="lines_strict"、horizontal_strategy="lines_strict"来强化线条识别
• 对于复杂表格，可结合pdfplumber的page.find_tables()方法，先定位表格区域再提取

内容的提问来源于stack exchange，提问作者Ali Bhayani