如何用pdfplumber正确提取无分隔线的PDF表格列？

你的问题出在text垂直策略下，pdfplumber会把文本块之间的所有间隙都当作列分隔符，导致长文本被误拆成多列。以下是两种可行的调整方案：

方案一：手动指定列边界（最可靠） #

由于表格列划分清晰，先定位每列的x坐标边界，再强制按这些边界拆分列：

1. 先运行这段代码获取页面文本的位置信息，确定列边界：

pdf_file = pdfplumber.open(path_in)
page = pdf_file.pages[0]
# 打印所有文本块的x坐标，找到列之间的分界点
for text_block in page.extract_words():
    print(f"文本: {text_block['text']}, 起始x: {text_block['x0']}, 结束x: {text_block['x1']}")

2. 根据输出的坐标，设置explicit_vertical_lines参数。比如发现日期列的起始x是200，就把边界设为[0, 200, page.width]（对应两列）：

pdf_file = pdfplumber.open(path_in)
for page in pdf_file.pages:
    tables = page.extract_tables({
        "vertical_strategy": "explicit",
        "horizontal_strategy": "text",
        "explicit_vertical_lines": [0, 200, page.width],  # 替换为实际的列边界x坐标
    })
    for table in tables:
        print("table = ", table)

方案二：调整文本间隙阈值 #

如果不想手动找坐标，可以增大text_tolerance参数，只有当文本间隙超过设定值时才会拆分列：

pdf_file = pdfplumber.open(path_in)
for page in pdf_file.pages:
    tables = page.extract_tables({
        "vertical_strategy": "text",
        "horizontal_strategy": "text",
        "text_tolerance": 10,  # 可根据实际间隙大小调整，默认值较小
    })
    for table in tables:
        print("table = ", table)

注意 #

优先选择方案一，因为text策略的稳定性依赖于文本间隙的一致性，手动指定列边界能避免因文本排版细微差异导致的拆分错误。如果表格每页列位置不一致，可以结合页面分析逻辑动态获取边界。

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