如何将PDF中跨行地址合并为单行并转换为Pandas DataFrame？

当用tabula读取PDF表格时，Address列内容常被拆分为后续的NaN行，可通过以下步骤合并到对应主行：

方法一：数据后处理合并（通用方案） #

如果读取后已经出现拆分，直接对DataFrame做聚合处理：

1. 导入依赖并读取数据

import pandas as pd
import tabula

# 读取PDF表格
df = tabula.read_pdf(filename, pages=pages)[0]

2. 标记分组并聚合
   利用Pos列的非空值作为分组标识，将同一条记录的拆分行归为一组，再合并Address内容：

# 用Pos列的非空值填充分组ID，确保拆分行属于同一主记录
df['group_id'] = df['Pos'].ffill()

# 按分组聚合：Address拼接所有非空片段，其他列取主行的非空值
cleaned_df = df.groupby('group_id').agg(
    Pos=('Pos', 'first'),
    Name=('Name', 'first'),
    Surname=('Surname', 'first'),
    DateOfBirth=('DateOfBirth', 'first'),
    Address=('Address', lambda x: ' '.join(x.dropna().str.strip()))
).reset_index(drop=True)

3. 清理Address格式（可选）
   如果Address片段中有多余的连字符或空格，可进一步处理：

# 移除换行导致的连字符后多余空格
cleaned_df['Address'] = cleaned_df['Address'].str.replace('-\s+', '-', regex=True)

方法二：调整tabula读取参数（从源头避免拆分） #

尝试调整tabula的读取模式，让PDF表格识别更准确，减少拆分：

# 尝试lattice模式（适合带网格线的表格）
df = tabula.read_pdf(filename, pages=pages, lattice=True)[0]

# 或尝试stream模式（适合没有网格线的表格）
df = tabula.read_pdf(filename, pages=pages, stream=True)[0]

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