使用PyPDF2提取PDF时数字识别错误的修复咨询

我用PyPDF2编写了PDF文本提取函数，目标PDF包含大量表格，但PyPDF2无法正确识别其中的数字——当Value列是单个数字时，会把Value列的数字和%列的数字拼接在一起。

错误提取结果：

sugar?
Value Label Unweighted
Frequency%
1- 40.1 %
2- 10 0.3 %
-24 -Value Label Unweighted
Frequency%
3- 60.2 %
4- 40.1 %

正确的提取结果应该是：

sugar?
Value Label Unweighted
Frequency%
1- 4 0.1 %
2- 10 0.3 %
-24 -Value Label Unweighted
Frequency%
3- 6 0.2 %
4- 4 0.1 %

我的提取函数代码如下：

def read_pdfs(dictionary):
#     dfs_names_text_dic = {}
    for pdf_file, name in dictionary.items():
        pdfFileObj = open(pdf_file, 'rb')
        pdfReader = PyPDF2.PdfReader(pdfFileObj)
        output = []
        for i in range(3,2000):
            pageObj = pdfReader.pages[i]
            output.append(pageObj.extract_text())
#         dfs_names_text_dic[name] = output
        pdfFileObj.close()
    return output

解决方案 #

PyPDF2的文本提取逻辑基于文本块位置排序，不具备表格结构识别能力，处理表格时极易出现文本拼接错位问题。更可靠的解决方式是使用专门支持表格提取的库，或对提取后的文本做针对性修正：

方案1：使用pdfplumber提取表格 #

pdfplumber可精确识别PDF表格结构，按单元格提取内容，从根源避免数字拼接错误。

先安装依赖：

pip install pdfplumber

修改后的函数示例：

import pdfplumber

def read_pdfs(dictionary):
    output = []
    for pdf_file, name in dictionary.items():
        with pdfplumber.open(pdf_file) as pdf:
            # 遍历指定页码范围（3到1999页），注意pdfplumber页码从1开始
            for page_num in range(3, 2000):
                if page_num > len(pdf.pages):
                    break
                page = pdf.pages[page_num - 1]
                # 提取页面所有表格并转换为文本格式
                tables = page.extract_tables()
                for table in tables:
                    table_text = "\n".join(["\t".join(str(cell) if cell is not None else "" for cell in row) for row in table])
                    output.append(table_text)
    return output

方案2：使用tabula-py提取表格 #

tabula-py基于Java的Tabula库，擅长提取结构化表格，支持直接导出为DataFrame格式。

先安装依赖：

pip install tabula-py

修改后的函数示例：

import tabula

def read_pdfs(dictionary):
    output = []
    for pdf_file, name in dictionary.items():
        # 提取指定页码范围的表格
        dfs = tabula.read_pdf(pdf_file, pages="3-1999", multiple_tables=True)
        for df in dfs:
            # 将DataFrame转换为文本格式
            output.append(df.to_string(index=False))
    return output

方案3：PyPDF2文本后修正（临时方案） #

如果必须使用PyPDF2，可通过正则表达式对提取后的文本做针对性修正，仅适用于当前发现的特定格式问题：

import re
import PyPDF2

def fix_extracted_text(text):
    # 匹配单个数字+0.x的错误拼接，替换为分开的格式
    corrected_text = re.sub(r'(\d)(0\.\d)', r'\1 \2', text)
    return corrected_text

def read_pdfs(dictionary):
    output = []
    for pdf_file, name in dictionary.items():
        with open(pdf_file, 'rb') as pdfFileObj:
            pdfReader = PyPDF2.PdfReader(pdfFileObj)
            for i in range(3,2000):
                if i >= len(pdfReader.pages):
                    break
                pageObj = pdfReader.pages[i]
                raw_text = pageObj.extract_text()
                corrected_text = fix_extracted_text(raw_text)
                output.append(corrected_text)
    return output

注意：正则修正局限性强，若PDF存在其他类型的表格错位，无法覆盖所有情况。

内容的提问来源于stack exchange，提问作者ella