使用tabula、camelot无法识别无垂直边框PDF表格的解决方案咨询

问题根因 #

无完整垂直边框的表格不属于tabula、camelot lattice模式的适配范围，两类工具的lattice模式均依赖边框像素检测定位表格，无垂直边框时会判定为无表格结构；camelot stream模式默认全页扫描文本按间距切分行列，自然会混入表格外的普通文本。

可行解决方案 #

• 最低成本方案：优化camelot stream模式参数
  先通过camelot内置的页面可视化功能获取表格在当前页的坐标范围、列分隔的x轴坐标，调用时指定table_areas参数锁定表格区域排除外部文本，指定columns参数手动定义列分隔位置，可大幅提升提取准确率，示例调用代码如下：

  import camelot
  # table_areas格式为[左上x,左上y,右下x,右下y]，columns为各列分隔线的x坐标
  tables = camelot.read_pdf(
      "sample.pdf",
      pages="25",
      flavor="stream",
      table_areas=["50,750,550,200"],
      columns=["150,250,350,450"]
  )
  

• 更高准确率方案：使用pdfplumber做布局感知提取
  pdfplumber的表格提取逻辑支持根据文本对齐特征自动生成虚拟垂直分隔线，不需要依赖原生边框，同时可先筛选页面内位于表格坐标范围内的文本块，完全排除外部普通文本干扰，可通过调整text_x_tolerance、text_y_tolerance参数适配不同间距的表格。
• 批量非固定格式表格方案：结合布局检测+文本聚类
  先提取页面内所有水平线段定位表格的上下边界，再对边界内的所有文本块按水平坐标做聚类，自动划分列范围，拼装为结构化表格，该方案适配性更强，适合大量格式不统一的半边框表格提取。

内容的提问来源于stack exchange，提问作者Anshul Joshi