如何使用Python提取PDF表格内无文本的阴影单元格

问题本质 #

基于文本流、表格线条识别的PDF提取工具（包括tabula-py、PyPDF2、pdfminer），仅会提取单元格内的可编码文本内容。阴影单元格属于PDF的图形填充元素，不属于文本或表格边框范畴，这类工具默认不解析填充属性，无法识别对应标记。

优先方案：用camelot-py直接读取单元格填充属性 #

camelot的lattice解析模式会直接读取PDF页面的绘图指令流，不需要转图像就能识别单元格的填充色，是成本最低的实现方式：

1. 安装依赖
   • 先装系统依赖ghostscript：Windows下载安装包配置环境变量即可，Mac执行brew install ghostscript，Ubuntu执行apt install ghostscript python3-tk
   • 安装Python库：pip install camelot-py[cv] pandas
2. 核心实现代码

import camelot
import pandas as pd

# 读取PDF第32页表格，lattice模式适配带明确边框线的表格
tables = camelot.read_pdf(
    "target_file.pdf",
    pages="32",
    flavor="lattice",
    line_scale=40 # 调大该值可提升细表格线的识别率
)

# 遍历单元格，通过填充色标记阴影单元格
table = tables[0]
shadow_cells = []
for row_idx, row in enumerate(table.cells):
    for col_idx, cell in enumerate(row):
        # 非白色填充判定为阴影单元格，可根据实际阴影灰度调整判定规则
        if cell.fill and cell.fill != (255, 255, 255):
            shadow_cells.append((row_idx, col_idx))

# 输出补全后的完整表格
df = table.df
for r, c in shadow_cells:
    df.iloc[r, c] = "[阴影标记]" # 替换为阴影单元格对应的实际业务值
print(df)

• 如果camelot识别表格行列错位，可微调line_scale、copy_text参数，或手动传入table_area参数指定表格精确坐标，提升识别率。

备选方案：渲染图像+灰度检测 #

如果camelot无法正确识别填充属性（比如部分PDF的阴影是独立叠层矩形，未绑定到单元格属性上），可使用渲染后图像检测的方案：

1. 安装依赖：pip install pdf2image opencv-python numpy tabula-py，同时安装poppler工具供pdf2image调用。
2. 实现逻辑
   • 将目标PDF页渲染为300DPI的高清图像
   • 用tabula输出json格式结果，拿到所有单元格的边界坐标，按DPI缩放系数换算为图像像素坐标
   • 遍历每个单元格对应的图像区域，计算区域平均灰度值，低于白色阈值的判定为阴影单元格
   • 合并文本提取结果和阴影检测结果，补全全量表格内容

• 注意：PDF原生坐标系原点在左下角，渲染后图像原点在左上角，Y轴坐标需要做翻转换算，避免区域匹配错位。

高自由度方案：用PyMuPDF自解析 #

如果上述两个方案识别效果达不到要求，可直接用PyMuPDF（fitz）库解析页面元素：

• 直接读取页面所有绘图指令，提取所有带灰度填充的矩形块坐标
• 读取页面所有文本块的坐标
• 自行按坐标做行列对齐，划分表格网格，匹配文本和阴影块到对应单元格
  这个方案灵活度最高，不受第三方表格识别库的规则限制，但需要自行处理行列对齐逻辑，适合结构特殊的表格。

• 调参提示：阴影的灰度阈值不要硬编码，先取一个已知阴影单元格的颜色值做校准，避免把表格线、文字像素误判为阴影填充。

内容的提问来源于stack exchange，提问作者Max Bromet