修改Python版Azure Cognitive Form Recognizer代码提取PDF页码

核心修改逻辑 #

原代码直接取result.content拿到的是全文档拼好的纯文本，不带任何分页标记。实际上Azure表单识别器返回的结果里自带pages数组，每个元素对应PDF里的单独一页，自带页码属性和当前页的全部文本，遍历这个数组就能拿到文本和页码的对应关系。
另外原代码漏了AzureKeyCredential的导入，修改的时候一并补上，不然跑的时候会报名称错误。

修改后可直接运行的代码 #

import pandas as pd
from azure.ai.formrecognizer import DocumentAnalysisClient
from azure.core.credentials import AzureKeyCredential

# 请提前替换为你自己的endpoint、key、存储容器相关配置
document_analysis_client = DocumentAnalysisClient(
    endpoint=endpoint, credential=AzureKeyCredential(key)
)

# 存储所有文件的分页提取结果，方便后续转DataFrame
extract_result = []

for blob in container.list_blobs():
    blob_url = container_url + "/" + blob.name
    poller = document_analysis_client.begin_analyze_document_from_url(
        "prebuilt-read", blob_url
    )
    result = poller.result()
    print(f"正在扫描文件: {blob.name} ...")
    
    # 逐页遍历提取页码和对应文本
    for page in result.pages:
        page_num = page.page_number
        page_content = page.content.strip()
        print(f"=== 第 {page_num} 页内容 ===")
        print(page_content)
        # 单页结果存入列表
        extract_result.append({
            "file_name": blob.name,
            "page_number": page_num,
            "page_content": page_content
        })

# 转换为DataFrame，后续可直接导出为csv、excel等格式
mydf = pd.DataFrame(extract_result)

补充说明 #

• 返回的page_number从1开始计数，和日常PDF阅读器显示的页码完全一致，不需要手动做偏移处理
• 如果需要定位到更细粒度的行、单个词汇的位置，还可以遍历page.lines或者page.words属性，每个行/词对象除了文本内容，还自带所在页码、坐标位置信息，可以满足更精准的提取需求
• 如果需要保留原有的全文档文本输出，result.content依然可以正常调用，和分页提取的逻辑不冲突

内容的提问来源于stack exchange，提问作者Patterson