如何使用Python提取PDF表格中指定列的文本？

一、针对你提供的HTML表格场景 #

你的示例是标准HTML结构的表格，直接解析DOM是最可靠的方案，无需依赖坐标：

• 使用Python的BeautifulSoup库，先通过表头确定目标列的索引，再遍历行提取对应单元格：

from bs4 import BeautifulSoup

html = '''<div class="s-table-container"><table class="s-table"><thead><tr><th>Column A</th><th>Column B</th></tr></thead><tbody><tr><td>Cell 1</td><td>Cell 2</td></tr><tr><td>Cell 3</td><td>Cell 4</td></tr></tbody></table></div>'''
soup = BeautifulSoup(html, 'html.parser')

# 获取表头并确定Column B的索引
headers = [th.get_text(strip=True) for th in soup.select('table.s-table thead th')]
target_col_idx = headers.index('Column B')

# 提取Column B的所有单元格内容
column_b = [tr.find_all('td')[target_col_idx].get_text(strip=True) for tr in soup.select('table.s-table tbody tr')]
print(column_b)  # 输出: ['Cell 2', 'Cell 4']

核心逻辑是基于DOM结构定位，完全避开坐标依赖，准确率极高。

二、针对PDF表格（你提到的坐标方法无效场景） #

坐标法失效通常是因为表格无严格网格、列边缘模糊或内容跨行，试试这些方案：

• 用专业PDF表格提取库：tabula-py或camelot-py能自动识别表格结构，直接按列名提取：
  以tabula-py为例：

  import tabula
  
  # 读取PDF并转为DataFrame，自动识别表头
  df = tabula.read_pdf("your_file.pdf", pages="all", pandas_options={'header': 0})[0]
  # 直接提取Column B列
  column_b = df['Column B'].tolist()
  print(column_b)
  

  这类库会自动分析列边界，比手动计算坐标更鲁棒，尤其适合非严格网格的表格。
• 扫描件PDF先做OCR：如果是图片格式的PDF，先用pytesseract做OCR转成可编辑文本，再按行拆分并提取对应列（比如用正则匹配列分隔符）。
• 手动校准坐标范围：如果坚持用坐标法，用pdfplumber查看字符的精确坐标，重新确定Column B的x范围：

  import pdfplumber
  
  with pdfplumber.open("your_file.pdf") as pdf:
      page = pdf.pages[0]
      # 打印所有字符的坐标，确定Column B的x_start和x_end
      for char in page.chars:
          print(char['text'], char['x0'], char['x1'])
      # 提取指定x范围内的内容
      column_b = []
      for line in page.extract_text().split('\n'):
          # 根据坐标拆分列，这里需替换为实际的x范围判断
          pass
  

三、通用排查点 #

• 检查表格是否有合并单元格、内容跨行等不规范结构，这类情况需要先处理合并逻辑再提取。
• 确认提取工具的配置：比如OCR是否选对语言，PDF提取库是否开启自动识别表格的参数（如tabula的guess=True）。

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