使用tabula-py提取PDF表格时多行数据被拆分的替代解决方法

除了调整Tabula-py的参数，你可以尝试以下几种直接有效的处理方式：

方法1：提取后用Pandas合并同组行 #

先通过Tabula-py提取原始表格数据，再用Pandas对拆分的行进行分组合并，这是最直接的补位方案：

1. 读取PDF数据：

import pandas as pd
from tabula import read_pdf

# 读取全页表格，指定表头
df = read_pdf("your_vocab.pdf", pages="all", pandas_options={"header": 0})
# 重命名列（根据实际提取的列名调整）
df = df.rename(columns={"原德语列名": "德语", "原拉丁语列名": "拉丁语"})

2. 生成分组标识：以非空的德语词汇作为分组起点，给同一逻辑行的所有拆分行分配相同组ID：

# 标记德语列非空的行，作为新组的起始
df["group_id"] = df["德语"].notna().cumsum()

3. 按组聚合合并内容：

# 合并同一组内的多行内容，用换行符连接（可替换为空格）
merged_df = df.groupby("group_id").agg(
    德语=("德语", lambda x: "\n".join([str(i) for i in x if str(i) != "nan"])),
    拉丁语=("拉丁语", lambda x: "\n".join([str(i) for i in x if str(i) != "nan"]))
).reset_index(drop=True)

4. 导出为CSV：

merged_df.to_csv("vocab.csv", index=False, encoding="utf-8-sig")

方法2：用PDFPlumber基于位置合并行 #

PDFPlumber可以获取文本的精确坐标信息，通过判断行的垂直位置（y坐标）识别同一逻辑行的拆分内容：

import pdfplumber
import pandas as pd

vocab_list = []
current_de = ""
current_la = ""
prev_y = None

with pdfplumber.open("your_vocab.pdf") as pdf:
    for page in pdf.pages:
        # 提取页面文本，设置坐标容错值
        words = page.extract_words(x_tolerance=5, y_tolerance=3)
        for word in words:
            # 判断当前行是否属于上一个逻辑行（y坐标差小于5则视为同一行）
            if prev_y is not None and abs(word["top"] - prev_y) < 5:
                # 根据x坐标区分德语（左）和拉丁语（右）列
                if word["x0"] < page.width / 2:
                    current_de += " " + word["text"]
                else:
                    current_la += " " + word["text"]
            else:
                # 保存上一行内容，初始化当前行
                if current_de:
                    vocab_list.append({"德语": current_de.strip(), "拉丁语": current_la.strip()})
                current_de = word["text"] if word["x0"] < page.width / 2 else ""
                current_la = word["text"] if word["x0"] >= page.width / 2 else ""
            prev_y = word["top"]
    # 保存最后一行内容
    if current_de:
        vocab_list.append({"德语": current_de.strip(), "拉丁语": current_la.strip()})

# 转成DataFrame并导出CSV
pd.DataFrame(vocab_list).to_csv("vocab.csv", index=False, encoding="utf-8-sig")

方法3：提取纯文本后用正则分组 #

如果PDF词汇表格式规律（比如德语词汇以大写开头），可以先提取全量文本，再用正则匹配合并多行内容：

import PyPDF2
import re
import pandas as pd

# 提取PDF所有文本
text = ""
with open("your_vocab.pdf", "rb") as f:
    reader = PyPDF2.PdfReader(f)
    for page in reader.pages:
        text += page.extract_text()

# 正则匹配每组词汇（根据实际格式调整表达式）
pattern = r"([A-Z][a-zäöüß]+(?:\n.+?)*)\s+([A-Z][a-zāēīōū]+(?:\n.+?)*)(?=\n[A-Z]|$)"
matches = re.finditer(pattern, text, re.DOTALL)

vocab_list = []
for match in matches:
    de = match.group(1).replace("\n", " ").strip()
    la = match.group(2).replace("\n", " ").strip()
    vocab_list.append({"德语": de, "拉丁语": la})

pd.DataFrame(vocab_list).to_csv("vocab.csv", index=False, encoding="utf-8-sig")

内容的提问来源于stack exchange，提问作者Dustin