如何用Adobe PDF Services Extract API将PDF数据整理为Excel/CSV结构化文件？

你的核心问题在于没有充分利用API输出的结构化JSON数据——官方示例生成的zip包中包含structuredData.json，里面存储了文本、表格的层级和布局信息，只需解析这个JSON就能将数据整理为可导入Excel/CSV的格式。以下是具体实现步骤：

1. 优化API提取配置 #

先修改你的提取选项，明确指定JSON输出并保留结构元素，让后续解析更精准：

# 需先导入ExtractOutputFormat
from adobe.pdfservices.operation.pdfops.options.extractpdf.extract_output_format import ExtractOutputFormat

# 替换原有的ExtractPDFOptions构建代码
extract_pdf_options: ExtractPDFOptions = ExtractPDFOptions.builder() \
    .with_element_to_extract(ExtractElementType.TEXT) \
    .with_element_to_extract(ExtractElementType.TABLES) \
    .with_output_format(ExtractOutputFormat.JSON)  # 强制输出结构化JSON
    .with_include_structure_elements(True)  # 保留布局结构信息
    .build()

2. 解析提取后的JSON文件 #

每个生成的zip包解压后会得到structuredData.json，以下代码用json和pandas解析表格与文本，并导出为CSV：

import json
import pandas as pd
import zipfile
import shutil
import os

def parse_extracted_zip(zip_file_path):
    # 临时解压zip
    temp_dir = "temp_pdf_extract"
    with zipfile.ZipFile(zip_file_path, 'r') as zip_ref:
        zip_ref.extractall(temp_dir)
    
    # 读取结构化JSON
    with open(f"{temp_dir}/structuredData.json", 'r', encoding='utf-8') as f:
        doc_data = json.load(f)
    
    # 提取表格数据（处理单元格合并、文本拼接）
    table_list = []
    for elem in doc_data["elements"]:
        if elem["type"] == "Table":
            table_rows = []
            for row in elem["rows"]:
                row_content = []
                for cell in row["cells"]:
                    # 拼接单元格内的所有文本片段
                    cell_text = " ".join([t["content"] for t in cell["elements"] if t["type"] == "Text"])
                    row_content.append(cell_text)
                table_rows.append(row_content)
            table_list.append(pd.DataFrame(table_rows))
    
    # 提取文本数据（按段落整理）
    text_paragraphs = []
    for elem in doc_data["elements"]:
        if elem["type"] == "Paragraph":
            para_text = " ".join([t["content"] for t in elem["elements"] if t["type"] == "Text"])
            text_paragraphs.append({"段落内容": para_text})
    text_df = pd.DataFrame(text_paragraphs)
    
    # 清理临时文件
    shutil.rmtree(temp_dir)
    return table_list, text_df

3. 批量处理你的100个PDF结果 #

在原代码的循环后，添加批量解析与导出逻辑：

# 原代码的循环结束后，添加这段
base_path = os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
for x in range(0, 100):
    s = str(x)
    zip_path = f"{base_path}/output/ExtractTextTableInfoFromPDF{s}.zip"
    tables, text_df = parse_extracted_zip(zip_path)
    
    # 导出表格（多表格按序号区分）
    for idx, table in enumerate(tables):
        table.to_csv(f"{base_path}/output/table_{s}_{idx}.csv", index=False, encoding="utf-8-sig")
    
    # 导出文本
    text_df.to_csv(f"{base_path}/output/text_{s}.csv", index=False, encoding="utf-8-sig")

关键注意事项 #

• 若PDF存在合并单元格，JSON中的cells会包含rowSpan和colSpan字段，如需精准还原表格结构，需额外处理这些字段。
• 可利用JSON中的boundingBox字段，将文本与表格按原PDF的位置关联，实现更贴合原布局的结构化输出。
• 若不想依赖pandas，也可使用Python内置的csv模块手动遍历数据写入文件。

内容的提问来源于stack exchange，提问作者Light143