PDF/Word文本表格提取转HTML的格式一致性及跨页表格处理咨询

一、统一PDF与Word提取数据的格式 #

• 定义统一中间数据结构：不管从Word（用python-docx）还是PDF（pdfplumber）提取内容，先转换成标准化的结构。比如文本块用{"content": "...", "style": {"font_size": 14, "bold": False, "alignment": "left"}, "type": "paragraph"}；表格用{"rows": [...], "merged_cells": [...], "style": {"border_width": 1}}，后续直接基于这个结构生成HTML。
• 做样式映射规则：把Word的内置样式（Heading 1/2、List Paragraph）和PDF的文本属性（字号、粗细、缩进）做一一对应。比如Word的Heading 1对应PDF中字号≥16且加粗的文本，统一输出为<h1>标签；Word的项目符号列表和PDF中以•/○开头的文本，统一转换成<ul><li>结构。
• 处理特殊格式兼容：对于Word的换行、分页符，PDF的空白行，统一转换成HTML的段落分隔；对于两者的合并单元格，都在中间结构中记录单元格的跨行/跨列数，生成HTML时用rowspan/colspan属性。

二、解决pdfplumber跨页表格错误与HTML排版问题 #

1. 修复跨页表格提取错误 #

• 优化表格识别参数：在extract_tables中调整table_settings，优先用线条识别策略，同时保留空白字符避免内容丢失：

  table_settings = {
      "vertical_strategy": "lines",
      "horizontal_strategy": "lines",
      "keep_blank_chars": True,
      "text_tolerance": 3,
      "edge_tolerance": 3
  }
  

• 手动合并跨页表格：遍历每页表格时，对比当前页表格的表头（或第一行结构）与上一页最后一个表格的表头是否一致，若匹配则将当前页表格的内容（跳过重复表头）追加到上一页表格中：

  def merge_cross_page_tables(pdf_path):
      merged_tables = []
      last_table = None
      with pdfplumber.open(pdf_path) as pdf:
          for page in pdf.pages:
              tables = page.extract_tables(table_settings=table_settings)
              for table in tables:
                  if last_table and len(table[0]) == len(last_table[0]) and table[0] == last_table[0]:
                      # 表头一致，判定为跨页表格，追加内容
                      last_table.extend(table[1:])
                  else:
                      merged_tables.append(table)
                      last_table = table
      return merged_tables
  

2. 修正HTML排版间距不符问题 #

• 保留PDF的行间距信息：用page.extract_words()获取每个文本块的位置属性（top、bottom），计算相邻行的垂直距离，转换成CSS的line-height或margin-bottom：

  words = page.extract_words(keep_blank_chars=True, use_text_flow=True)
  prev_bottom = None
  for word in words:
      if prev_bottom:
          line_gap = word["top"] - prev_bottom
          # 根据gap设置对应的CSS样式
          if line_gap > 10:
              style = "margin-bottom: 8px;"
          else:
              style = "line-height: 1.2;"
      prev_bottom = word["bottom"]
  

• 表格排版还原：生成HTML表格时，根据PDF表格的单元格内边距设置padding，用border-collapse: collapse统一边框样式；对于跨页表格的分页处，避免生成多余的边框，可在合并后的表格中调整CSS。

内容的提问来源于stack exchange，提问作者Shwapx