如何根据指定ID提取PDF文本中对应表格的label特征并生成DataFrame

步骤1：安装依赖库 #

需要用到pandas处理DataFrame、BeautifulSoup解析HTML表格结构，先执行安装命令：

pip install pandas beautifulsoup4

步骤2：完整代码实现 #

保留你原有的PDF读取函数，新增提取label列的核心逻辑：

import pandas as pd
from bs4 import BeautifulSoup
import PyPDF2

# 原PDF读取函数
def read_pdfs(dictionary):
    dfs_names_text_dic = {}
    for pdf_file, name in dictionary.items():
        pdfFileObj = open(pdf_file, 'rb')
        pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
        output = []
        for i in range(pdfReader.numPages):
            pageObj = pdfReader.getPage(i)
            output.append(pageObj.extractText())
        dfs_names_text_dic[name] = output
        pdfFileObj.close()
    return dfs_names_text_dic

# 提取指定关键词后的label列内容
def extract_label_lists(pdf_text_dict, target_keys):
    result_rows = []
    # 遍历每个PDF的文本内容
    for _, page_texts in pdf_text_dict.items():
        full_text = '\n'.join(page_texts)  # 合并多页文本，避免关键词跨页
        # 逐个处理目标关键词
        for key in target_keys:
            key_mark = f"{key}:"
            key_pos = full_text.find(key_mark)
            if key_pos == -1:
                continue  # 当前PDF无该关键词，跳过
            
            # 截取当前关键词到下一个关键词之间的内容
            next_key_positions = []
            for other_key in target_keys:
                if other_key != key:
                    pos = full_text.find(f"{other_key}:", key_pos)
                    if pos != -1:
                        next_key_positions.append(pos)
            if next_key_positions:
                target_segment = full_text[key_pos:min(next_key_positions)]
            else:
                target_segment = full_text[key_pos:]
            
            # 解析HTML表格
            soup = BeautifulSoup(target_segment, 'html.parser')
            table = soup.find('table', class_='s-table')
            if not table:
                continue
            
            # 提取label列所有内容
            label_list = []
            for row in table.tbody.find_all('tr'):
                td = row.find_all('td')[0]
                label_list.append(td.get_text(strip=True))
            
            result_rows.append({'ID': key, 'label': label_list})
    
    return pd.DataFrame(result_rows)

步骤3：调用示例 #

假设你要处理两个PDF文件，目标关键词为ID1和type，执行以下代码：

# 定义PDF路径与对应名称
pdf_files = {
    "./sample1.pdf": "pdf_name1",
    "./sample2.pdf": "pdf_name2"
}

# 读取PDF文本
pdf_texts = read_pdfs(pdf_files)

# 指定要提取的关键词
target_keys = ['ID1', 'type']

# 生成目标DataFrame
final_df = extract_label_lists(pdf_texts, target_keys)

# 打印结果
print(final_df)

执行后会输出你需要的格式：

ID        label
0  ID1  [yes, no]
1  type [f1, f3]

关键细节说明 #

• 跨页兼容：合并单PDF的多页文本，避免关键词或表格被分割在不同页面；
• 精准截取：通过定位下一个关键词的位置，确保只处理当前关键词对应的表格；
• 鲁棒性：加入关键词、表格不存在的判断，避免报错中断程序。

内容的提问来源于stack exchange，提问作者ella