Python提取PDF数据时for循环append无法将字体名归入同个子列表

错误原因 #

• 原有代码对LTTextContainer做了两次独立判断，第一次判断后追加[字号,文本]子列表，第二次判断后单独追加字体名字符串，导致两个属性被拆成两个独立元素存入列表
• 你之前使用extend出错是因为extend会迭代传入的容器，把每个元素单独加入列表，追加完整子列表应该用append方法。

修复后代码 #

list1 = []
for page in pages:
    for lobj in element:
        if isinstance(lobj, LTTextBox):
            x, y, text = lobj.bbox[0], lobj.bbox[3], lobj.get_text()
            
        if isinstance(lobj, LTTextContainer):
            Font_size = None
            font_name = None
            # 单次遍历同时获取字号和字体名
            for text_line in lobj:
                for character in text_line:
                    if isinstance(character, LTChar):
                        # 同一段文本格式统一，取第一个字符的属性即可
                        if Font_size is None:
                            Font_size = character.size
                        if font_name is None:
                            font_name = character.fontname
            # 三个属性拼成一个子列表一次性追加
            if Font_size and font_name:
                list1.append([Font_size, lobj.get_text(), font_name])

print(list1)

优化点 #

• 无需创建额外列表再做zip合并，单个列表即可直接生成目标结构
• 合并了重复的遍历逻辑，减少不必要的计算开销
• 增加了空值判断，避免无字符的文本容器导致变量未定义报错

内容的提问来源于stack exchange，提问作者id345678