AWS Textract提取PDF文本未保留换行，如何保留原格式？

问题核心原因 #

Textract默认的文本拼接逻辑会将视觉间距较近的文本块合并，即便原PDF中是独立行，也可能被拼成单行，不会直接保留原生换行结构。

可行解决方案 #

1. 利用布局分析结果直接还原行结构（推荐） #

Textract的AnalyzeDocument（同步/异步）接口支持返回布局层级的Block数据，其中LINE类型的Block对应原PDF中的单行文本，无需额外配置，直接解析即可还原原结构：

• 调用接口时指定FeatureTypes=["LAYOUT"]
• 遍历返回结果的Blocks数组，筛选BlockType="LINE"的条目，按Top坐标（页面从上到下的位置）排序后，将每个LINE的Text单独换行拼接

示例Python代码：

import boto3

def extract_text_with_line_structure(pdf_file_path):
    textract_client = boto3.client('textract')
    
    with open(pdf_file_path, 'rb') as doc_file:
        response = textract_client.analyze_document(
            Document={'Bytes': doc_file.read()},
            FeatureTypes=['LAYOUT']
        )
    
    # 提取所有行级Block并按页面从上到下排序
    line_blocks = [block for block in response['Blocks'] if block['BlockType'] == 'LINE']
    line_blocks.sort(key=lambda x: x['Geometry']['BoundingBox']['Top'])
    
    # 按原行结构拼接文本
    structured_text = '\n'.join([block['Text'] for block in line_blocks])
    return structured_text

2. 对已拼接文本做后处理拆分 #

如果已经拿到合并后的文本，可通过两种方式拆分：

• 基于固定关键词拆分：比如遇到“Seller:”“Buyer:”这类模块标识时，手动插入换行符
• 利用WORD级Block判断：每个WORD有独立坐标，若相邻两个WORD的Y坐标差超过行高的1.5倍，视为换行节点，插入换行

额外注意事项 #

• 处理大PDF时用异步接口StartDocumentAnalysis，返回结果同样包含布局Block信息
• 若PDF是多列布局，需额外通过X坐标区分列，避免行顺序混乱

内容的提问来源于stack exchange，提问作者tt0206