如何使用Tabula-py提取PDF中的表格及其前置标题？

核心思路 #

Tabula本身专注于表格提取，要同时获取前置标题，需要结合表格位置定位和页面文本提取工具配合实现，这里用PyMuPDF（fitz）来提取标题文本，步骤如下：

具体实现 #

1. 先安装依赖包：

   pip install tabula-py pymupdf
   

2. 示例代码：

   import tabula
   import fitz
   
   # 替换为你的PDF文件路径
   pdf_file = "target.pdf"
   
   # 提取PDF中所有表格的位置和结构信息（用json格式输出方便获取坐标）
   table_info_list = tabula.read_pdf(
       pdf_file,
       pages="all",
       lattice=True,
       guess=False,
       output_format="json"
   )
   
   # 打开PDF文件用于文本提取
   pdf_doc = fitz.open(pdf_file)
   
   for table_info in table_info_list:
       # 转换页码：Tabula的页码从1开始，PyMuPDF从0开始
       page_idx = table_info["page"] - 1
       current_page = pdf_doc[page_idx]
   
       # 获取表格的顶部坐标
       table_top_y = table_info["top"]
       # 定义标题区域：表格上方50像素范围内（可根据实际PDF调整高度）
       title_rect = fitz.Rect(
           0,  # 左边界
           table_top_y - 50,  # 上边界（表格上方50px）
           current_page.rect.width,  # 右边界
           table_top_y  # 下边界（表格顶部）
       )
       # 提取标题文本并去除多余空白
       table_title = current_page.get_textbox(title_rect).strip()
   
       # 根据表格坐标精准提取表格内容
       table_df = tabula.read_pdf(
           pdf_file,
           pages=page_idx + 1,
           area=[table_top_y, table_info["left"], table_info["bottom"], table_info["right"]],
           lattice=True
       )[0]
   
       # 输出结果
       print(f"=== 标题: {table_title} ===")
       print(table_df)
       print("\n")
   

适配调整 #

• 如果标题和表格间距较大，可修改table_top_y - 50中的数值，扩大标题提取区域；
• 部分PDF标题可能是多行，可通过检查文本块的垂直位置，自动找到表格上方最近的连续文本块作为标题；
• 若PDF是流式而非格子型表格，可将lattice=True改为stream=True。

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