使用Camelot提取无列分隔线PDF表格的问题求助

我需要从一份无内部列分隔线的PDF中提取表格，文档截图如下：

已尝试的操作及问题 #

• 默认方式提取
  运行代码：

tables = camelot.read_pdf(filename)
print(tables[0].df)

提取到的内容正确，但所有数据被识别为单列，输出示例：

0  Credit  \nDate  \nReference No.  \nDescription...
1  09/10/2016  \n3194949206  \nOnline Banking tra...
2  09/20/2016  \n3194749206  \nOnline Banking tra...
3  09/20/2016  \n34236757678  \nCA TLR cash withd...
4  10/08/2016  \n5444  \nInterest  \n            ...

执行print(tables[0].df.shape)返回结果为(5, 1)。

• 使用flavor='stream'提取
  运行代码：

tables = camelot.read_pdf(filename, flavor='stream')

提取结果错误，获取到了页面上的银行信息而非目标表格，输出示例：

0                                   1
0                  Bank of Domino                                    
1                                        Customer service information
2                  P.O. Box 15001                        1.888.DOMINO
3             Arlington, VA 18505  TDD/TTY users only: 1.800.288.4101
4                                          En Espanol: 1.800.688.6229
5  Account Number: 00000970987652                    bankofdomino.com
6                     ROBERT BELL                Bank of Domino, N.A.
7              HOLLOW WAY,APT 503                      P.O. Box 25125
8         SAN MESA, CA 92627-5125                   San Mesa,CA 33390

该DataFrame的形状为(9, 2)。

• 指定列x坐标提取
  运行代码：

tables = camelot.read_pdf(filename, flavor='stream', columns="10, 120, 230, 470, 520, 650, 720, 800")

依旧提取到错误数据。

可行解决方法 #

针对无列分隔线的表格，需结合flavor='stream'、精准列坐标和表格区域限定来提取：

1. 限定表格区域：先确定目标表格在PDF页面中的坐标范围（可通过PDF阅读器的坐标显示功能，或Camelot的可视化工具辅助），比如该表格的区域可设为table_areas=["10, 600, 850, 200"]（需根据实际PDF调整数值），避免误提取页面其他内容。
2. 精准测量列坐标：用截图工具查看表格各列的分隔像素位置，转换为PDF坐标（注意PDF的坐标原点在页面左下角），确保列坐标准确对应每列的边界。
3. 最终代码示例：

tables = camelot.read_pdf(
    filename,
    flavor='stream',
    table_areas=["10, 600, 850, 200"],  # 限定目标表格的区域
    columns=["10, 120, 230, 470, 520, 650, 720, 800"]  # 精准列分隔坐标
)
print(tables[0].df)

如果上述方法效果不佳，还可以尝试：

• 运行camelot.plot(tables[0], kind='contour')可视化表格检测区域，根据结果调整table_areas和columns参数。
• 对PDF进行预处理，比如添加虚拟列分隔线或调整对比度，再进行提取。
• 尝试其他表格提取工具（如tabula-py），同样使用区域和列坐标参数来定位表格。

内容的提问来源于stack exchange，提问作者aziz aon