如何用Camelot或同类工具提取PDF表格中的文本与超链接？

Camelot的局限 #

Camelot的核心设计是解析PDF中的表格结构与文本内容，不支持直接提取嵌入式超链接——因为超链接属于PDF的注解（Annotation）范畴，Camelot并未实现解析这类注解的逻辑。

可行的解决方案 #

1. Camelot + pdfplumber 组合提取 #

利用Camelot精准的表格结构提取能力，搭配pdfplumber的PDF注解解析功能，通过坐标匹配将超链接与表格单元格关联：

步骤示例：

• 用Camelot提取表格文本与单元格位置

import camelot

# 提取第1页的表格
tables = camelot.read_pdf("target.pdf", pages="1")
table_df = tables[0].df

• 用pdfplumber获取页面中的超链接注解

import pdfplumber

with pdfplumber.open("target.pdf") as pdf:
    page = pdf.pages[0]
    # 过滤出超链接类型的注解
    hyperlinks = [
        annot for annot in page.annots
        if annot.get("subtype") == "Link" and annot.get("uri")
    ]

• 编写坐标匹配函数，将超链接映射到对应单元格

def match_link_to_cell(cell, hyperlinks):
    # 获取单元格的边界坐标（x1左, y1下, x2右, y2上）
    cell_bbox = (cell.x1, cell.y1, cell.x2, cell.y2)
    for link in hyperlinks:
        link_bbox = link["bbox"]
        # 判断链接是否完全落在单元格范围内（可根据需求调整匹配逻辑）
        if (link_bbox[0] >= cell_bbox[0] and link_bbox[2] <= cell_bbox[2] and
            link_bbox[1] >= cell_bbox[1] and link_bbox[3] <= cell_bbox[3]):
            return link["uri"]
    return None

• 遍历表格单元格，合并文本与超链接

# 获取表格的单元格对象列表
table_cells = tables[0].cells

for row_idx in range(len(table_df)):
    for col_idx in range(len(table_df.columns)):
        target_cell = table_cells[row_idx][col_idx]
        matched_link = match_link_to_cell(target_cell, hyperlinks)
        if matched_link:
            # 将链接追加到单元格文本后，或自定义格式
            table_df.iloc[row_idx, col_idx] = f"{table_df.iloc[row_idx, col_idx]} | 链接: {matched_link}"

# 输出带链接的表格
print(table_df)

2. 直接使用pdfplumber提取表格与超链接 #

pdfplumber本身支持表格提取，同时可以直接访问页面注解，无需依赖Camelot：

import pdfplumber

with pdfplumber.open("target.pdf") as pdf:
    page = pdf.pages[0]
    # 提取表格
    tables = page.extract_tables()
    # 获取超链接
    hyperlinks = [
        annot for annot in page.annots
        if annot.get("subtype") == "Link" and annot.get("uri")
    ]

    # 遍历表格单元格匹配链接（逻辑同上述match_link_to_cell函数）
    for table in tables:
        for row_idx, row in enumerate(table):
            for col_idx, cell_text in enumerate(row):
                # 获取单元格边界（需根据pdfplumber的表格单元格坐标调整）
                cell_bbox = page.find_table_cell(row_idx, col_idx)["bbox"]
                # 匹配链接逻辑...

注意事项 #

• PDF的坐标系统可能存在y轴方向差异（部分工具以页面底部为原点，部分以顶部为原点），需根据实际情况调整坐标匹配逻辑
• 若超链接跨多个单元格，或单元格内包含多个超链接，需优化匹配规则以覆盖这类场景
• 扫描版PDF（图片格式）无法提取超链接，需先进行OCR，但超链接信息会丢失

内容的提问来源于stack exchange，提问作者Amy D