如何用Python提取PDF中的粗体文本、普通文本及表格？

问题核心 #

你当前使用的PyPDF2仅能提取纯文本，无法识别粗体格式属性，这是无法完成粗体列名提取的关键障碍。建议改用PyMuPDF（fitz库）来获取带格式的文本信息，表格提取可结合PyMuPDF内置功能或tabula-py（针对结构化表格）。

分步实现代码 #

1. 安装依赖工具 #

pip install pymupdf pandas tabula-py

2. 提取粗体列名及对应详情 #

import fitz  # PyMuPDF
import pandas as pd

def extract_bold_content(pdf_path):
    doc = fitz.open(pdf_path)
    data = {}
    current_column = None

    for page in doc:
        # 获取页面带格式的文本块
        text_blocks = page.get_text("dict")["blocks"]
        for block in text_blocks:
            if "lines" not in block:
                continue
            for line in block["lines"]:
                for span in line["spans"]:
                    text = span["text"].strip()
                    if not text:
                        continue
                    # 判断是否为粗体：字体名含Bold标记，或flags中粗体位激活
                    is_bold = "Bold" in span["font"] or (span["flags"] & 16)
                    
                    if is_bold:
                        # 记录新的粗体列名
                        current_column = text
                        data[current_column] = ""
                    elif current_column is not None:
                        # 将非粗体文本追加到当前列的详情中
                        data[current_column] += text + " "
    
    # 转换为单行DataFrame
    return pd.DataFrame([data])

3. 提取PDF中的表格数据 #

import tabula

def extract_pdf_tables(pdf_path):
    # 自动识别所有页面的表格，返回DataFrame列表
    tables = tabula.read_pdf(pdf_path, pages="all", multiple_tables=True)
    # 合并多个表格（可根据实际格式调整合并逻辑）
    if tables:
        return pd.concat(tables, ignore_index=True)
    return pd.DataFrame()

4. 整合数据并批量处理 #

def process_single_pdf(pdf_path):
    # 提取粗体对应的详情数据
    detail_df = extract_bold_content(pdf_path)
    # 提取表格数据
    table_df = extract_pdf_tables(pdf_path)
    
    # 保存结果到Excel（分sheet存储）
    output_name = f"{pdf_path.split('.')[0]}_processed.xlsx"
    with pd.ExcelWriter(output_name) as writer:
        detail_df.to_excel(writer, sheet_name="粗体列详情", index=False)
        table_df.to_excel(writer, sheet_name="表格数据", index=False)

# 单文件测试
process_single_pdf("246427 postop note.pdf")

# 批量处理文件夹内所有PDF
import os
target_folder = "./your_pdf_folder"
for file_name in os.listdir(target_folder):
    if file_name.lower().endswith(".pdf"):
        full_path = os.path.join(target_folder, file_name)
        process_single_pdf(full_path)

注意事项 #

• 粗体判断逻辑：部分PDF的粗体字体命名可能不含"Bold"，可仅用span["flags"] & 16判断（PyMuPDF中flags第5位对应粗体属性）。
• 表格提取：若PDF表格为图片格式，需额外结合OCR工具（如pytesseract）处理；格式统一的结构化表格用上述代码即可直接提取。
• 批量处理时，可根据需求调整数据整合逻辑（如将所有文件的粗体详情合并为一个大DataFrame）。

内容的提问来源于stack exchange，提问作者user19709842