如何用Python提取Word/PDF中‘results’后的指定表格？

针对PDF文件的处理方法 #

• 结合文本定位+表格提取：用PyMuPDF（fitz）先定位“results”的位置，再配合Camelot提取该位置之后的表格
  步骤：

  1. 用PyMuPDF遍历PDF每页，搜索“results”关键词，记录匹配页面和文本的纵坐标（y坐标）
  2. 对目标页面，用Camelot提取所有表格，对比表格顶部的y坐标是否大于“results”文本的y坐标，筛选符合条件的表格
  3. 封装逻辑成函数，批量遍历所有PDF文件

  示例代码片段：

  import fitz
  from camelot import read_pdf
  
  def extract_results_table(pdf_path):
      doc = fitz.open(pdf_path)
      target_pages = []
      for page_num in range(len(doc)):
          page = doc.load_page(page_num)
          text_instances = page.search_for("results")
          if text_instances:
              rect = text_instances[0]
              target_pages.append((page_num+1, rect.y1))  # Camelot页码从1开始
      doc.close()
      
      tables = []
      for page_num, y_pos in target_pages:
          page_tables = read_pdf(pdf_path, pages=str(page_num), flavor='lattice')
          for table in page_tables:
              table_y = table._bbox[1]
              if table_y > y_pos:
                  tables.append(table.df)
      return tables
  

针对Word（docx）文件的处理方法 #

• 用python-docx定位“results”文本位置，再提取后续表格
  步骤：

  1. 遍历docx文档的所有元素（段落+表格），找到包含“results”的段落
  2. 从该段落的下一个元素开始，提取所有表格（若仅需第一个，提取后直接终止）

  示例代码片段：

  from docx import Document
  
  def extract_docx_results_table(docx_path):
      doc = Document(docx_path)
      target_tables = []
      all_elements = list(doc.element.body)
      
      for idx, elem in enumerate(all_elements):
          if elem.tag.endswith('p'):
              para_text = elem.text or ""
              if "results" in para_text.lower():
                  for elem_after in all_elements[idx+1:]:
                      if elem_after.tag.endswith('tbl'):
                          table_idx = all_elements.index(elem_after)
                          table = doc.tables[table_idx]
                          df = [[cell.text for cell in row.cells] for row in table.rows]
                          target_tables.append(df)
                          # 仅需第一个表格的话，取消下面注释
                          # break
                  break
      return target_tables
  

批量处理注意事项 #

• 统一文件目录：将所有PDF/docx文件放在同一文件夹，用os模块遍历文件路径
• 异常处理：添加try-except块，处理损坏文件、无“results”匹配的文件等情况
• 结果存储：将提取的表格保存为CSV或Excel格式，便于后续分析

内容的提问来源于stack exchange，提问作者Romh