如何用Python高效解析PDF中的多层级表格（基于Tabula）

• 待解析表格为Marshalls plc 2023年度报告第92页的表格，目标是将其提取为符合指定CSV结构的DataFrame，允许用上下子表头填充NaN值。
• 当前使用Tabula库提取时遇到单元格合并问题：比如第1行（从零开始计数）的第5个元素本应为'MIP A'和'MIP B'两个独立单元格，却被合并成了'MIP A MIP B'；正常每行（含首列高管姓名）应包含19个元素，但当前代码输出每行仅10个元素。

当前使用的代码：

import tabula

dfs = tabula.read_pdf(doc, pages='94')     # multiple_tables=True
dfs

row_number = 1   # Row number you want to access (zero-based)

# Iterate over each DataFrame in the list and access a specified row of actual data
for i, df in enumerate(dfs):
    if not df.empty:  # Ensure DataFrame is not empty
        if len(df) > row_number:  # Check if DataFrame has enough rows
            specified_row = df.iloc[row_number]  # Access the specified row of data
            print(f"Data from row {row_number + 1} in Table {i+1}:")
            print(specified_row.values)  # Print only the values from the specified row
            print(f"\nNumber of elements in row {row_number + 1} of Table {i+1}: {len(specified_row.values)}")
        else:
            print(f"Table {i+1} does not contain row {row_number + 1}.")
    else:
        print(f"Table {i+1} is empty.")

补充说明：需要方案能自动识别单元格边界、适配其他表格，因此以下针对特定内容的拆分方法不可行：

def split_specific_items(row_values):
    updated_values = []
    for item in row_values:
        if item == 'MIP A MIP B':
            updated_values.extend(['MIP A', 'MIP B'])
        else:
            updated_values.append(item)
    return updated_values

内容的提问来源于stack exchange，提问作者Pelican_203