如何将PDF提取的非结构化数据第一列重复内容转为Python DataFrame表头

你提取到的原始表格是长表结构，每3行对应一个用户的完整属性，可按以下步骤处理：

1. 导入依赖并读取原始HTML表格数据

import pandas as pd

# 此处替换为你从PDF提取到的HTML字符串变量
pdf_extracted_html = """
<div class="s-table-container">
<table class="s-table">
<thead>
<tr>
<th style="text-align: left;">1</th>
<th style="text-align: right;">2</th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align: left;">name</td>
<td style="text-align: right;">Mike</td>
</tr>
<tr>
<td style="text-align: left;">age</td>
<td style="text-align: right;">18</td>
</tr>
<tr>
<td style="text-align: left;">sex</td>
<td style="text-align: right;">M.</td>
</tr>
<tr>
<td style="text-align: left;">name</td>
<td style="text-align: right;">Angel</td>
</tr>
<tr>
<td style="text-align: left;">age</td>
<td style="text-align: right;">21</td>
</tr>
<tr>
<td style="text-align: left;">sex</td>
<td style="text-align: right;">F.</td>
</tr>
<tr>
<td style="text-align: left;">name</td>
<td style="text-align: right;">Brod</td>
</tr>
<tr>
<td style="text-align: left;">age</td>
<td style="text-align: right;">34</td>
</tr>
<tr>
<td style="text-align: left;">sex</td>
<td style="text-align: right;">M.</td>
</tr>
</tbody>
</table>
</div>
"""
raw_df = pd.read_html(pdf_extracted_html)[0]

2. 拆分分组转换为目标结构

# 按每3行一组拆分，每组对应1个用户的所有属性
user_groups = raw_df.groupby(raw_df.index // 3)
# 生成新DataFrame，手动指定表头保证顺序准确
result_df = pd.DataFrame(
    [group[1].iloc[:, 1].values for group in user_groups],
    columns=['name', 'age', 'sex']
)

处理完成后的result_df输出效果如下：

内容的提问来源于stack exchange，提问作者Panda Akai