如何合并pandas DataFrame中同属一句的PDF表格拆分行

核心判断逻辑 #

Camelot因PDF缩进拆分的错行有两个可通用识别的特征，不需要硬编码行号适配：

• 被拆分到下一行的内容，对应表格中原本每行都应填充值的核心列（比如序号、分类、金额列）必然全为空
• 新起的正常行，要么核心列有值，要么行首是规范的项目符号标记；被拆分的续行要么无项目符号，要么项目符号错位到核心列为空的行

可直接复用的代码实现 #

import pandas as pd
import re

# -------------------------- 配置项：按需修改即可 --------------------------
TEXT_CONTENT_COL = "item_content"   # 存储项目符号文本的列名
NON_EMPTY_KEY_COLS = ["row_id", "item_type"]  # 正常行必然有值的核心列，空值即判定为拆分行
# 匹配常见项目符号开头：小写字母+括号、罗马数字+括号、短横/圆点列表标记
BULLET_REGEX = re.compile(r'^[a-z]\)|^[ivx]+\)|^[IVX]+\)|^[-*•]')
# ------------------------------------------------------------------------

def merge_camelot_split_rows(input_df: pd.DataFrame) -> pd.DataFrame:
    df = input_df.reset_index(drop=True).copy()
    drop_row_ids = []

    # 第一轮合并：拼接无项目符号的纯续行
    for row_idx in range(1, len(df)):
        current_row = df.iloc[row_idx]
        # 判定当前行是否为拆分行：核心列全空 + 不是新的项目符号开头
        key_cols_all_empty = all(
            pd.isna(current_row[col]) or str(current_row[col]).strip() == "" 
            for col in NON_EMPTY_KEY_COLS
        )
        is_new_bullet_line = bool(BULLET_REGEX.match(str(current_row[TEXT_CONTENT_COL]).strip()))
        if key_cols_all_empty and not is_new_bullet_line:
            # 文本追加到上一行，标记当前行为待删除
            prev_text = str(df.iloc[row_idx-1][TEXT_CONTENT_COL]).strip()
            curr_text = str(current_row[TEXT_CONTENT_COL]).strip()
            df.iloc[row_idx-1, df.columns.get_loc(TEXT_CONTENT_COL)] = f"{prev_text} {curr_text}"
            drop_row_ids.append(row_idx)
    
    # 清理已合并的续行
    df = df.drop(index=drop_row_ids).reset_index(drop=True)
    drop_row_ids.clear()

    # 第二轮合并：拼接错位到下一行的项目符号行
    for row_idx in range(1, len(df)):
        current_row = df.iloc[row_idx]
        prev_text = str(df.iloc[row_idx-1][TEXT_CONTENT_COL]).strip()
        curr_text = str(current_row[TEXT_CONTENT_COL]).strip()
        key_cols_all_empty = all(
            pd.isna(current_row[col]) or str(current_row[col]).strip() == "" 
            for col in NON_EMPTY_KEY_COLS
        )
        is_curr_line_bullet = bool(BULLET_REGEX.match(curr_text))
        # 上一行末尾无闭合标点（句号、分号、感叹号、问号）+ 当前行是项目符号+核心列空，判定为拆分错位
        prev_line_unclosed = not re.search(r'[。；;.!?]$', prev_text)
        if key_cols_all_empty and is_curr_line_bullet and prev_line_unclosed:
            df.iloc[row_idx-1, df.columns.get_loc(TEXT_CONTENT_COL)] = f"{prev_text}\n{curr_text}"
            drop_row_ids.append(row_idx)
    
    return df.drop(index=drop_row_ids).reset_index(drop=True)

使用示例 #

import camelot
# 提取PDF表格，flavor参数根据你的表格类型选lattice/stream
camelot_tables = camelot.read_pdf("target.pdf", pages="1-end", flavor="stream")
raw_df = camelot_tables[0].df
# 按提取结果给列重命名，和上方配置项保持一致
raw_df.columns = ["row_id", "item_type", "item_content"]
# 执行行合并
cleaned_df = merge_camelot_split_rows(raw_df)

适配提示：如果你的文档用了特殊项目符号格式，只需要修改BULLET_REGEX的正则规则；如果核心列有差异，调整NON_EMPTY_KEY_COLS配置即可覆盖绝大多数同类拆分场景，无需针对单个文件写定制逻辑。

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