如何使用Python检测PDF是单栏布局还是双栏布局

直接上3种可直接落地的方案，按实现成本从低到高、准确率从高到低排序：

方案1：基于文本块坐标聚类（推荐，准确率98%+） #

这是工业界处理批量PDF最常用的方案，抗干扰能力最强：

• 依赖工具：直接用PyMuPDF（fitz）或者pdfplumber即可，不需要额外装重型依赖
• 实现步骤：
  1. 跳过封面、目录、最后一页这类非正文页，随机抽取3-5页正文页做检测
  2. 提取页面内所有文本块，过滤掉占页面宽度80%以上的通栏标题、表格、图片、页眉页脚、页码这类跨栏元素，记录剩余正文文本块的水平中心x坐标
  3. 对收集到的x坐标做简单的聚类统计：
     • 如果坐标高度集中在页面水平中线附近的单个区间，没有明显的间隔带，判定为单栏
     • 如果坐标明显聚成左右两个独立的簇，两个簇之间存在宽度不小于页面宽度10%的连续空白栏间距，且两个簇的文本块数量占比均不低于30%，判定为双栏
• 调优技巧：拿手里现有的10份左右单、双栏样例跑一遍，微调簇间距、占比阈值，适配常处理的文档类型，准确率能拉到接近100%

方案2：基于垂直空白投影（速度最快，适合大批量初筛） #

如果处理量级大，对速度要求高，可以用这个方案做初筛，存疑的文档再用方案1复核：

• 实现逻辑：
  1. 将PDF页面转成100dpi左右的低分辨率灰度图，做二值化处理
  2. 沿垂直方向做像素投影，统计每个x坐标位置上整列的空白像素占比
  3. 如果页面中线附近存在一条贯穿页面70%以上高度的全空白竖带，判定为双栏，否则判定为单栏
• 注意：这个方法遇到跨栏大图、通栏公式、通栏表格时容易误判，不适合单独用在复杂排版文档上

方案3：直接调用成熟库内置能力（开发成本最低） #

不想自己写逻辑调阈值的话，直接用现成工具的内置检测能力即可：

• 新版PyMuPDF、pdfminer.six本身就带布局分析接口，能直接输出栏数判定结果
• 处理学术类带大量公式、表格的复杂PDF，可以直接用layoutparser的预训练学术文档布局模型，不仅能判定单双栏，还能直接识别出正文、标题、表格、图片、公式的位置，后续解析处理更方便

避坑提示 #

• 不要靠字号、页边距这类单一特征判定，误判率极高
• 判定逻辑加兜底规则：如果两个方案的判定结果冲突，默认走单栏解析逻辑，避免单栏文档被双栏脚本处理出解析错误
• 不要只检测第一页，很多期刊论文首页是通栏摘要加作者信息，正文才是双栏，只测第一页必误判

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