Python中Camelot读取同布局PDF一份正常一份数据无法识别问题求助

核心原因 #

两份PDF仅视觉布局一致，底层结构存在差异，常见差异点如下：

• 异常PDF文本层异常：导出时文本被转曲、加密或做了字符编码混淆，导致camelot读取底层文本时直接拿到乱码。
• 行列检测阈值不匹配：camelot的stream模式依靠文本坐标间距判断行列，两份PDF的文本坐标偏移存在细微差别，默认阈值无法适配第二份文件。
• 导出规范差异：两份PDF由不同工具导出，第二份属于非标准PDF结构，camelot默认规则适配性差。

排查与解决步骤 #

1. 基础排查
   手动打开异常PDF，复制表格内的文本粘贴到记事本，如果粘贴结果就是乱码，说明文本层本身损坏，需要走OCR识别方案。
2. 调整camelot参数适配
   • 切换识别模式：如果表格有明确边框，优先用lattice模式识别，准确率更高：

   from_pdf = camelot.read_pdf('2020_04_2.pdf', flavor='lattice', strict=False)
   

   • 调整stream模式的行列检测阈值，适配坐标偏移：

   # 可根据实际效果调整tol参数数值，数值越大容错性越高
   from_pdf = camelot.read_pdf('2020_04_2.pdf', flavor='stream', strict=False, row_tol=10, column_tol=10, edge_tol=500)
   

   • 手动指定表格区域：通过plot工具获取表格在页面的坐标后，用table_areas参数锁定识别范围，避免无关内容干扰：

   # x1,y1,x2,y2替换为实际的表格坐标值
   from_pdf = camelot.read_pdf('2020_04_2.pdf', flavor='stream', strict=False, table_areas=['x1,y1,x2,y2'])
   

3. 文本层损坏的解决方案
   如果确认是文本层转曲/混淆导致的乱码，改用OCR方案：先将PDF每页转为图片，再用OCR工具搭配表格识别能力提取内容，可选工具包括pytesseract+自定义表格规则、PaddleOCR表格识别模块等。

内容的提问来源于stack exchange，提问作者Gizelly