使用pdfplumber提取PDF表格：如何合并跨行多行单元格？

我用pdfplumber提取PDF表格数据时，遇到跨行单元格被拆分成多行的问题。比如某单元格内容被拆成两行：

AÉRO-SPORT DU GRAND-DUCHÉ
DE LUXEMBOURG A.S.B.L.
需要合并成单行：AÉRO-SPORT DU GRAND-DUCHÉ DE LUXEMBOURG A.S.B.L.，且要对所有列应用这个处理。

当前使用的脚本如下：

import pdfplumber
import pandas as pd

pdf_path = "C:/Users/xxxx/Downloads/relev-aronefs-11-12-2023.pdf"
all_rows = []
explicit_vertical_lines = [45, 100, 250, 410, 480, 640, 780]

with pdfplumber.open(pdf_path) as pdf:
    for page_num in range(len(pdf.pages)):
        page = pdf.pages[page_num]

        if page_num == 0:
            top_region = 50 
        else:  # For all other pages
            top_region = 0

        cropped_page = page.crop((0, top_region, page.width, page.height))

        table = cropped_page.extract_table({
            "vertical_strategy": "explicit",
            "explicit_vertical_lines": explicit_vertical_lines,
            "horizontal_strategy": "text",
        })

        if table:
            if page_num == 0:
                all_rows += table[1:] 
            else:
                all_rows += table

df = pd.DataFrame(all_rows)

df.columns = ['Immat', 'Constructeur', 'Type d’aéronef', 'SN aéronef', 'Propriétaire', 'Exploitant']

output_csv_path = "C:/Users/xxxx/Downloads/extracted_table_data.csv"
df.to_csv(output_csv_path, index=False)

print(df.head())

解决方案 #

核心思路是：识别拆分的跨行行（通常前导唯一标识列为空），将其内容合并到上一行对应列，最后清理无效行。

修改后的完整脚本：

import pdfplumber
import pandas as pd

pdf_path = "C:/Users/xxxx/Downloads/relev-aronefs-11-12-2023.pdf"
all_rows = []
explicit_vertical_lines = [45, 100, 250, 410, 480, 640, 780]

with pdfplumber.open(pdf_path) as pdf:
    for page_num in range(len(pdf.pages)):
        page = pdf.pages[page_num]

        if page_num == 0:
            top_region = 50 
        else:
            top_region = 0

        cropped_page = page.crop((0, top_region, page.width, page.height))

        table = cropped_page.extract_table({
            "vertical_strategy": "explicit",
            "explicit_vertical_lines": explicit_vertical_lines,
            "horizontal_strategy": "text",
        })

        if table:
            if page_num == 0:
                all_rows += table[1:] 
            else:
                all_rows += table

# 处理跨行合并的单元格
merged_rows = []
for row in all_rows:
    # 以第一列（Immat）为空判断是否为跨行拆分行（该列无跨行合并）
    if not row[0] and merged_rows:
        # 遍历列，将当前行内容追加到上一行对应列
        for col_idx in range(len(row)):
            if row[col_idx]:
                if merged_rows[-1][col_idx]:
                    merged_rows[-1][col_idx] += " " + row[col_idx]
                else:
                    merged_rows[-1][col_idx] = row[col_idx]
    else:
        # 深拷贝行，避免后续修改影响已存入的数据
        merged_rows.append(row.copy())

df = pd.DataFrame(merged_rows)
df.columns = ['Immat', 'Constructeur', 'Type d’aéronef', 'SN aéronef', 'Propriétaire', 'Exploitant']

output_csv_path = "C:/Users/xxxx/Downloads/extracted_table_data.csv"
df.to_csv(output_csv_path, index=False)

print(df.head())

关键逻辑说明 #

1. 拆分行判断：利用表格中Immat列作为唯一标识（无跨行合并），若该列为空，则判定当前行是上一行的跨行拆分内容。
2. 内容合并：遍历拆分行的每一列，将非空内容追加到上一行对应列，用空格分隔原分行文本。
3. 深拷贝行：确保每一行的修改不会影响已存入合并列表的行数据。

注意事项 #

如果你的表格中第一列也存在跨行情况，可以调整判断条件（比如检查多个关键列是否为空），或者根据实际表格结构修改拆分行的识别逻辑。

内容的提问来源于stack exchange，提问作者Mark k