pdfplumber表格提取：列拆分不一致与空格丢失问题求助

问题概述 #

使用pdfplumber提取PDF表格时遇到两个核心问题：

• 宽文本列（如描述列）会随机被拆分为多列：内容一致的两个PDF，行数较少的表格列保持完整，行数多的最左列被拆成3列。
• 拆分后的字符串拼接出错：原文本Total comprehensive income for the year被拆分为Total compre、hensive、income for、the year，拼接后丢失空格，变成Total comprehensiveincome forthe year。

针对性解决方案 #

1. 避免宽文本列被错误拆分 #

pdfplumber的表格列识别逻辑依赖垂直分割策略，当前使用的"vertical_strategy": "text"会将文本块边缘视为分割线，文本换行时极易误判为多列。可通过以下方式调整：

• 切换垂直识别策略为lines：若PDF表格带有真实边框线，改用"vertical_strategy": "lines"，基于实际表格线识别列，彻底避免文本换行导致的拆分。
• 调大snap_tolerance参数：当前设置为5，可尝试提升至10-15，让相邻的文本块被识别为同一列，减少误拆分概率。
• 自定义固定列边界：已知表格实际列位置时，直接指定explicit_vertical_lines固定分割线坐标，彻底消除拆分问题：

table_settings={
    "vertical_strategy": "explicit",
    "explicit_vertical_lines": [0, 220, 350, 600], # 需根据PDF实际页面宽度调整坐标
    "horizontal_strategy": "text",
    "snap_tolerance": 10
}

2. 修复拆分字符串的空格丢失问题 #

pdfplumber提取文本时会自动移除首尾空格，导致拼接时丢失单词间的空格，推荐两种解决方案：

• 基于原始文本行+单元格位置截取：优先提取整页原始文本，结合表格单元格的坐标信息，截取对应列的完整内容，避免拆分后的空格丢失：

import pdfplumber

filepaths = ('C:/ProgramData/PythonProgs/pdfdoc-sheet3.pdf',
             'C:/ProgramData/PythonProgs/pdfdoc-sheet4.pdf')

for filepath in filepaths:
    print('----------------------------------------')
    pdf = pdfplumber.open(filepath)
    for page in pdf.pages:
        # 获取原始文本行
        raw_text_lines = page.extract_text().split("\n")
        # 获取带位置信息的表格单元格
        table_cells = page.extract_table(
            table_settings={
                "vertical_strategy": "text",
                "horizontal_strategy": "text",
                "snap_tolerance":5
            },
            return_cells=True
        )
        for row_idx, row in enumerate(table_cells):
            # 合并第一列所有单元格的文本（按x坐标判断第一列范围）
            first_column_text = " ".join(
                [cell["text"] for cell in row if cell["x0"] < 220]
            ).strip()
            # 获取其他列内容（示例为最后一列）
            last_column_text = row[-1]["text"] if row[-1] else ""
            print(row_idx, [first_column_text, last_column_text])

• 手动补全空格（备选）：若必须使用extract_table的拆分结果，可通过检测片段是否为单词截断来补空格（如判断片段结尾是否为半词，开头是否为半词），但这种方式复杂度较高，仅作为备选方案。

内容的提问来源于stack exchange，提问作者PMSK