如何使用PDFPlumber提取双栏PDF文本 避免跨列内容混排

问题根本原因 #

pdfplumber默认的extract_text()方法会将页面内所有文本块按纵向y坐标从上到下、横向x坐标从左到右的规则直接拼接，双栏布局下左右两栏同一高度的文本会被判定为同一行，因此出现跨栏混排的问题。

解决方案1：固定分栏裁剪（适合标准双栏报告） #

绝大多数企业年报、ESG报告的双栏为左右等宽的固定布局，直接将页面沿中线裁剪为左右两个区域，按左栏→右栏的顺序提取文本即可解决混排问题。
修改后的代码如下：

import requests
import pdfplumber
from io import BytesIO

def converter(url, split_offset=0):
    text = []
    req = requests.get(url)
    with pdfplumber.open(BytesIO(req.content)) as pdf:
        for page in pdf.pages:
            # 计算双栏分割线x坐标，split_offset可根据排版微调，避免裁到边界文字
            split_x = page.width / 2 + split_offset
            # 分别裁剪左、右栏区域
            left_part = page.crop((0, 0, split_x, page.height))
            right_part = page.crop((split_x, 0, page.width, page.height))
            # 按左→右顺序拼接文本
            page_text = left_part.extract_text() + "\n" + right_part.extract_text()
            text.append(page_text)
    return "\n".join(text)

使用时可以根据实际测试的提取效果调整split_offset数值（单位为像素，一般±10以内即可适配绝大多数布局）。

解决方案2：字符坐标智能排序（适配复杂双栏布局） #

如果文档存在跨栏标题、栏宽不一致等复杂布局，可以先获取所有字符的坐标信息，按行分组后分别排序输出：

def converter_complex(url, y_tolerance=3):
    text = []
    req = requests.get(url)
    with pdfplumber.open(BytesIO(req.content)) as pdf:
        for page in pdf.pages:
            # 获取页面所有字符的坐标和内容
            chars = page.chars
            # 按y坐标分组（y_tolerance为行容错值，同一行的字符y坐标差在该范围内会被判定为同一行）
            chars.sort(key=lambda c: (c['top'], c['x0']))
            # 按行拼接
            current_top = None
            current_line = []
            page_lines = []
            for c in chars:
                if current_top is None or abs(c['top'] - current_top) > y_tolerance:
                    if current_line:
                        page_lines.append(''.join(current_line))
                    current_top = c['top']
                    current_line = [c['text']]
                else:
                    current_line.append(c['text'])
            if current_line:
                page_lines.append(''.join(current_line))
            text.append('\n'.join(page_lines))
    return "\n".join(text)

注意事项 #

• 上述方法仅适用于可复制的原生PDF，如果是扫描版PDF，需要先通过OCR工具识别文字后再做处理
• 提取的文本会保留原文的换行和段落结构，可直接用于后续主题建模任务

内容的提问来源于stack exchange，提问作者Ramachandran Ravishankar