如何用Python从非结构化PDF中提取指定数据？

背景与需求 #

• 需用Python实现扫描版PDF的数据提取，短期目标是提取指定字段值并存储，长期要实现大量同类PDF的自动化处理（数据存储方法已掌握，卡在提取环节）
• 扫描版PDF可通过Tesseract转换为文本PDF，仅需处理文档的前1-2页；文档格式大致统一，但因独立扫描存在细微差异

文档布局说明 #

无法提供原PDF，仅能提供布局草图（需提取的字段已用红色高亮标注）：

注：草图较为粗糙，可提供更精细的模拟版本
字段特点：多数字段标题单独成行，仅底部字段例外

已尝试方案及遇到的问题 #

• 已尝试Azure Cognitive Services、PyPDF2等工具，核心问题如下：
  1. 文本拆分导致关联失效：输出文本以词组为单独行，字段标题与对应值无法对应。例如以下表格：

     left	center	right
     One	Two	Three

     输出顺序为left、center、right、One、Two、Three，若One或Two为空，通过行号定位无法获取预期值
  2. 依赖特定PDF属性：部分方案需要PDF包含bounding boxes才能生效，但扫描转文本后的PDF不具备该属性

请求 #

求可行的Python数据提取思路

内容的提问来源于stack exchange，提问作者Jwest