Python提取多表格PDF表格、指定键值对及优化输出格式咨询

• 未做表格的独立结构化存储，所有表格拼接在同一个CSV文本中，既没有列数对齐处理，也没有空单元格补全逻辑，输出格式混杂。
• Textract调用仅开启了TABLES特征，缺少FORMS特征支持，无法获取文档内键值对的文本关联关系，无法提取如「Example 1」「Example 2」这类指定键的对应取值。
• 输出逻辑仅支持CSV格式写入，无多工作表写入能力，无法实现多表格拆分存储到Excel的需求。

1. 调整Textract调用参数 #

开启表格+表单双特征提取能力，这是获取键值对关联关系的基础，将原代码中单行的特征参数修改为：

# 原代码为 FeatureTypes=['TABLES']
FeatureTypes=['TABLES', 'FORMS']

修改后，返回的文档blocks集合会同时包含表格结构、表单键值对的关联元数据，不需要自行通过位置猜测文本对应关系。

2. 重构表格结构化解析逻辑 #

替代原有的CSV字符串拼接逻辑，将每个识别到的表格转换为独立的二维矩阵结构，解决列错位、行顺序混乱的问题：

• 遍历表格所有单元格时，按表格实际的最大列数补全空单元格，避免跨列场景下的列偏移。
• 按行索引、列索引的数值排序，保证表格内容的顺序和PDF中的实际顺序一致。
  对应的替换函数示例：

def generate_table_matrix(table_result, blocks_map):
    rows_dict = get_rows_columns_map(table_result, blocks_map)
    # 计算当前表格的最大列数
    max_col = max([max(cols.keys()) for cols in rows_dict.values()])
    table_matrix = []
    # 按行号从小到大排序，保证行顺序正确
    for row_idx in sorted(rows_dict.keys()):
        row_data = []
        # 逐列补全空单元格
        for col_idx in range(1, max_col + 1):
            cell_text = rows_dict[row_idx].get(col_idx, "").strip()
            row_data.append(cell_text)
        table_matrix.append(row_data)
    return table_matrix

解析所有表格时，直接将每个表格的二维矩阵存入独立列表all_tables，不再做字符串拼接。

3. 指定键值对提取逻辑 #

基于开启FORMS特征后返回的键值对元数据，编写匹配逻辑提取目标内容：

• 从blocks集合中筛选出类型为KEY_VALUE_SET、实体类型为KEY的块，作为所有候选键的来源。
• 通过块自带的关联关系，找到每个键对应的VALUE块，提取完整文本作为对应取值。
• 按照需求筛选目标键（如「Example 1」「Example 2」），生成目标键值对字典。
  对应的函数示例：

def extract_target_kv(blocks_map):
    kv_pairs = {}
    # 筛选所有KEY类型的块
    key_blocks = [
        block for block in blocks_map.values()
        if block['BlockType'] == 'KEY_VALUE_SET' and block['EntityTypes'][0] == 'KEY'
    ]
    for key_block in key_blocks:
        key_text = get_text(key_block, blocks_map).strip()
        # 查找键关联的VALUE块ID
        value_block_id = None
        for rel in key_block.get('Relationships', []):
            if rel['Type'] == 'VALUE':
                value_block_id = rel['Ids'][0]
                break
        if not value_block_id:
            continue
        # 提取值文本
        value_text = get_text(blocks_map[value_block_id], blocks_map).strip()
        kv_pairs[key_text] = value_text
    # 筛选需要的目标键
    target_key_list = ["Example 1", "Example 2"]
    return {k:v for k,v in kv_pairs.items() if k in target_key_list}

4. 规范Excel输出实现 #

通过openpyxl库实现多工作表写入，首先安装依赖：
pip install openpyxl
按照需求将数据分类写入不同工作表：

• 每个提取到的表格单独占用一个工作表，命名为Table_1、Table_2，对应表格的实际顺序。
• 单独新建一个KeyValues工作表，存放提取到的所有目标键值对，方便后续映射处理。
  对应的写入函数示例：

from openpyxl import Workbook

def write_structured_excel(all_tables, target_kv, output_path="structured_output.xlsx"):
    wb = Workbook()
    # 删除默认创建的空白工作表
    wb.remove(wb.active)
    # 逐表写入对应工作表
    for table_idx, table_data in enumerate(all_tables, start=1):
        ws = wb.create_sheet(title=f"Table_{table_idx}")
        for row in table_data:
            ws.append(row)
    # 写入键值对工作表
    ws_kv = wb.create_sheet(title="KeyValues")
    ws_kv.append(["键名", "对应取值"])
    for key, value in target_kv.items():
        ws_kv.append([key, value])
    wb.save(output_path)

• get_text函数提取的文本会因为逐单词拼接带前后空格，所有键名、单元格文本提取后要做strip()处理，避免因为多余空格导致的键名匹配失败。
• 遇到跨页表格时，可以利用blocks自带的Page属性，将同一页面的表格归组，避免不同页的表格混排。
• 写Excel时不要把所有表格堆在同一个工作表中，拆分工作表的结构完全匹配实际PDF中的表格边界，后续做数据映射时不需要再手动拆分内容。

内容的提问来源于stack exchange，提问作者Manz