如何用Python提取复杂布局PDF中的文本并保留结构？

针对双栏、带边框/无边框表格、双栏嵌套表格、相邻表格这类复杂组合场景，单纯用PyMuPDF的基础API确实搞不定布局区分，得结合布局特征识别+针对性提取逻辑，以下是落地方法：

1. 先给PDF页面做布局分类（基于PyMuPDF的bbox分析） #

用page.get_text("dict")拿到的布局数据里，每个文本块都有bbox坐标（x1,y1,x2,y2），靠这个先判断布局类型：

• 双栏判定：计算页面中线mid_x = page.rect.width / 2，统计所有文本块的x1坐标，若70%以上的块集中在中线两侧（且单块宽度<mid_x*0.9），直接标记为双栏布局
• 表格判定：不管有无边框，看文本块的对齐特征：连续多个块的y坐标高度差极小（行对齐）、x坐标有规律分段（列对齐）、块间距远小于普通段落行间距，满足这些就标记为表格区域

2. 分场景针对性提取 #

双栏文本提取 #

把页面按中线切分成左右两个区域，分别对每个区域的文本块按y坐标从小到大排序（同一y区间内按x排序），保证内容按阅读顺序输出：

import fitz

def extract_two_column_content(page):
    page_rect = page.rect
    mid_x = page_rect.width / 2
    left_blocks, right_blocks = [], []
    layout_dict = page.get_text("dict")
    
    for block in layout_dict["blocks"]:
        if block["type"] == 0:  # 筛选文本块
            block_left_x = block["bbox"][0]
            if block_left_x < mid_x:
                left_blocks.append(block)
            else:
                right_blocks.append(block)
    
    # 按垂直位置排序，同一行内按水平位置排序
    def sort_by_position(blocks):
        return sorted(blocks, key=lambda b: (b["bbox"][1], b["bbox"][0]))
    
    # 提取左右栏文本
    def blocks_to_text(blocks):
        return "\n".join([line["text"] for b in blocks for line in b["lines"]])
    
    left_text = blocks_to_text(sort_by_position(left_blocks))
    right_text = blocks_to_text(sort_by_position(right_blocks))
    return f"{left_text}\n\n{right_text}"

表格提取（含无边框/双栏内表格） #

• 用PyMuPDF的page.get_text("table")直接提取表格结构，这个API会靠文本对齐识别无边框表格，返回的是二维列表，直接对应表格行列
• 双栏内的表格：先通过表格的bbox判断属于左/右栏，提取完表格结构后，把表格转换成Markdown格式，插入到对应栏的文本对应位置
• 相邻表格：判断两个表格的上下bbox间距，若小于普通段落行间距的2倍，就合并成一个大表格处理，避免拆分成两个独立表格

组合场景处理 #

如果遇到双栏+嵌套表格的情况，流程是：

1. 标记页面的双栏区域和表格区域
2. 先提取表格的结构化数据，用占位符（比如[TABLE]）替换表格位置的文本块
3. 按双栏逻辑提取普通文本
4. 把占位符替换成格式化的表格内容

3. 工具组合补短板 #

如果PyMuPDF的表格提取不够准，搭配pdfplumber：

• 用PyMuPDF做全局布局分类（双栏/单栏、表格位置标记）
• 用pdfplumber的pdf.pages[i].extract_table()提取表格，它对复杂边框、合并单元格的支持更好

4. 保证结构不丢失 #

不要直接输出纯文本，而是输出结构化数据：

# 示例结构化输出格式
page_result = {
    "layout_type": "two_column",
    "left_content": {
        "text": "左栏普通文本...",
        "tables": [{"rows": [["单元格1", "单元格2"], ["单元格3", "单元格4"]]}]
    },
    "right_content": {
        "text": "右栏普通文本...",
        "tables": []
    }
}

后续可以根据需求转换成纯文本、Markdown或JSON，完全保留原始布局结构

内容的提问来源于stack exchange，提问作者Phalgun