如何使用pdfplumber提取PDF无可见竖线表格为规范行列数据
无可见垂直分隔线PDF表格提取解决方案
pdfplumber默认表格提取策略依赖可见边框线识别列边界,无垂直分隔线时会默认将整行识别为单列,可通过以下两种方案解决:
方案1:显式指定垂直分割线(推荐,准确率最高)
首先运行以下代码获取页面字符的x坐标分布,确认列分界位置:
import pdfplumber with pdfplumber.open('test.pdf') as pdf: page = pdf.pages[0] # 打印字符文本与对应的左x坐标,用于统计列边界 for char in page.chars: print(f"文本:{char['text']},x坐标:{char['x0']}")
根据x坐标的聚类分布整理出列分界的x值列表,将参数传入extract_tables的配置项:
import pdfplumber import pandas as pd with pdfplumber.open('test.pdf') as pdf: page = pdf.pages[0] tables = page.extract_tables(table_settings={ # 显式指定垂直分割线策略 "vertical_strategy": "explicit", # 替换为实际统计得到的列分界x坐标 "vertical_lines": [90, 180, 270, 360, 450], # 按文本y坐标自动识别行边界,适配13行提取需求 "horizontal_strategy": "text", # 调整行识别容差,避免同一行文本被拆分 "snap_y_tolerance": 3 }) # 输出验证结果 df = pd.DataFrame(tables[0]) print(df) print(f"实际提取行数:{len(df)}")
方案2:整行提取后按规则拆分
如果表格列之间的间距有固定规律,可先提取整行文本再拆分:
import pdfplumber import pandas as pd with pdfplumber.open('test.pdf') as pdf: page = pdf.pages[0] # 按行提取页面纯文本 lines = page.extract_text_simple().split('\n') table_data = [] for line in lines: if not line.strip(): continue # 可根据实际规则调整拆分逻辑,比如按固定宽度、多空格分隔等 cols = [c.strip() for c in line.split() if c.strip()] table_data.append(cols) df = pd.DataFrame(table_data) print(df)
注意事项
- 存在合并单元格的场景,提取后需要单独补全合并单元格的内容
snap_y_tolerance参数可根据实际行间距调整,数值越大越容易将相邻行合并,数值越小越容易拆分为多行- 垂直分割线的x值也可以通过pdf阅读器的坐标测量工具直接获取,无需运行字符统计代码
内容的提问来源于stack exchange,提问作者walter_anderson
相关产品推荐
相关产品推荐

