使用fitz从PDF提取表格HTML结构仅返回p/div标签如何解决

方案1：使用fitz官方内置表格识别接口（需PyMuPDF版本≥1.19.0） #

fitz高版本已经提供了成熟的表格识别能力，直接调用page.find_tables()即可获取表格的表头、行列数据、单元格坐标等所有结构化信息，示例代码如下：

import fitz

# 打开PDF文件
doc = fitz.open("你的测试PDF路径.pdf")
for page in doc:
    # 提取当前页面所有表格
    tables = page.find_tables()
    for table in tables:
        # 获取表头列表，对应你需要的3个表头信息
        print("表头：", table.headers)
        # 提取所有行数据（包含表头，若要单独取数据行取[1:]切片即可）
        all_rows = table.extract()
        print(f"表格共{len(all_rows)-1}行数据，内容为：", all_rows)
        # 也可以直接导出标准HTML表格字符串
        print("表格HTML结构：", table.to_html())

该方法对标注规范的表格识别准确率极高，完全可以满足你提取表格结构、识别表头和数据行数的需求。

方案2：自定义坐标解析（适配特殊场景） #

如果受版本限制无法使用内置接口，可自行提取页面所有文本块的坐标信息，按照横坐标对齐判断列归属、纵坐标对齐判断行归属，手动拼接表格结构。该方案开发成本较高，无特殊需求优先选择方案1。

内容的提问来源于stack exchange，提问作者Mat