如何使用Python传入表头提取PDF文件中对应的目标表格

核心实现流程 #

• 第一步：PDF表格结构化提取
  优先使用pdfplumber完成PDF全页表格扫描，它可以自动识别表格边界，将每个表格的表头、行数据转换为结构化的二维列表或Pandas DataFrame格式，相比同类工具对非规整表格的识别准确率更高。
• 第二步：表头相似度匹配
  先做归一化预处理：将提取到的所有表格的表头字符串、用户传入的查询表头统一转小写，去除特殊字符、多余空格与换行符。匹配逻辑可按需选择：
  • 精确匹配：归一化后的字符串完全一致才返回结果，适合输入表头完全准确的场景
  • 模糊匹配：用莱文斯坦距离计算两个字符串的相似度，相似度阈值设为90%及以上即可判定匹配，可避免输入拼写、空格差异导致的匹配失败
• 第三步：匹配结果返回
  匹配到对应表格后，可以根据需求返回结构化数据（字典、JSON格式）或格式化输出（Markdown表格、Excel文件）。

注意：如果你的PDF是扫描生成的图片版PDF，需要先通过OCR工具（比如pytesseract）完成文本识别，再进行后续的表格提取与匹配操作，普通的文本提取工具无法直接读取扫描件内容。

可运行示例代码（Python实现） #

import pdfplumber
from fuzzywuzzy import fuzz
import pandas as pd

def get_target_table(pdf_path, target_header, similarity_threshold=90):
    # 遍历PDF所有页面提取表格
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            tables = page.extract_tables()
            for table in tables:
                if not table:
                    continue
                # 取表格第一行拼接为表头字符串，做归一化处理
                current_header = " ".join([str(cell).strip() for cell in table[0] if cell]).lower()
                target_header_normalized = target_header.strip().lower()
                # 计算匹配相似度
                similarity = fuzz.ratio(current_header, target_header_normalized)
                if similarity >= similarity_threshold:
                    # 转换为DataFrame格式返回
                    return pd.DataFrame(table[1:], columns=table[0])
    return None

# 调用示例
target_df = get_target_table("你的PDF文件路径.pdf", "daily historical stock prices & volumes")
if target_df is not None:
    print(target_df)
else:
    print("未找到匹配的表格")

如果需要使用精确匹配逻辑，直接删除fuzzywuzzy相关的代码，判断current_header == target_header_normalized即可。

内容的提问来源于stack exchange，提问作者End user