pdfplumber的extract_text提取表格内容，如何仅提取表格外文本

核心实现逻辑是先识别页面所有表格的坐标范围，裁剪排除这些区域后再提取文本，就能避免文本提取结果混入表格内容。

实现代码 #

import pdfplumber

with pdfplumber.open("目标文件.pdf") as pdf:
    for page in pdf.pages:
        # 第一步：单独提取所有表格内容
        tables = page.extract_tables()
        # 此处可添加你处理表格数据的逻辑
        
        # 第二步：获取所有表格的坐标边界
        table_bboxes = [table.bbox for table in page.find_tables()]
        
        # 第三步：裁剪页面排除所有表格区域
        non_table_page = page
        for bbox in table_bboxes:
            # invert=True表示保留裁剪框外的区域，即排除表格范围
            non_table_page = non_table_page.crop(bbox, relative=False, invert=True)
        
        # 第四步：提取表格外的纯文本
        non_table_text = non_table_page.extract_text()
        # 此处可添加你处理非表格文本的逻辑

注意事项 #

• 若运行时提示crop方法不支持invert参数，先升级pdfplumber到最新版本：pip install --upgrade pdfplumber
• 若存在表格识别误差，可以调整find_tables()的table_settings参数优化识别精度，常用配置包括修改vertical_strategy、horizontal_strategy调整横竖线识别规则，避免非表格内容被误判为表格
• 提取到的非表格文本如果存在大量多余空行，可以用non_table_text.strip()配合正则替换多余换行符做简单清洗

内容的提问来源于stack exchange，提问作者Deepam