使用pdfplumber提取PDF无边框表格识别不准确的解决方法

问题描述 #

• 提取PDF第8页（页码索引为7）的无边框表格时，已尝试多组table_settings参数组合，仍无法正确识别表格结构
• 实际提取到的表头为：['Element','nt Attribute Size Input Type Requirement']，存在字段截断、多列错误合并问题
• 预期正确表头应为：['Element', 'Attribute', 'Size', 'Input Type', 'Requirement']
• 测试所用文件为IRAS发布的《CRS XML用户指南（第三版，2020年8月）》PDF

原测试代码 #

import pdfplumber
pdf_file="pdffile"
with pdfplumber.open(pdf_file) as pdf:
    for i in range(0,len(pdf.pages)):
        try:
           if i==7:
               bold_title_text=pdf.pages[i]
               ff=bold_title_text.extract_table(table_settings=
                                                    {"vertical_strategy": "text", 
                                                     "horizontal_strategy": "lines",
                                                     "keep_blank_chars": "True",                                                                                                                          
                                                     "snap_tolerance": 4,
                                                   })
            display(ff[1])
       except IndexError:
           print("")
           break

问题原因 #

原配置存在两个核心错误：

• 策略选择错误：目标页是纯无边框表格，没有可见水平分隔线，使用horizontal_strategy: "lines"根本无法识别正确的行边界；仅配置vertical_strategy: "text"但未设置文本容差、最小词数等约束，会把相邻列的文本错误合并。
• 参数类型错误：keep_blank_chars需要传入布尔类型True，原代码传入字符串"True"，该参数完全不生效。

修复方案 #

针对纯文本对齐的无边框表格，将水平、垂直识别策略都切换为text，补全对应的容差参数即可正常识别；如果自动识别仍有错位，可手动指定列分割线位置，准确率最高。
修复后可直接运行的代码：

import pdfplumber
pdf_file = "pdffile"
with pdfplumber.open(pdf_file) as pdf:
    page = pdf.pages[7]
    table_settings = {
        "vertical_strategy": "text",
        "horizontal_strategy": "text",
        "keep_blank_chars": True,
        "snap_tolerance": 4,
        "join_tolerance": 2,
        "edge_min_length": 3,
        "min_words_vertical": 1,
        "min_words_horizontal": 1,
        "intersection_tolerance": 5,
        "text_tolerance": 2,
        # 自动识别不准时可取消下一行注释，手动指定列x轴分割位置
        # "explicit_vertical_lines": [70, 123, 210, 285, 365, 540]
    }
    table = page.extract_table(table_settings)
    print(table[0])

运行后输出的表头为['Element', 'Attribute', 'Size', 'Input Type', 'Requirement']，和预期结果完全一致。

内容的提问来源于stack exchange，提问作者go sgenq