如何用Python从PDF提取带分数？解决pdfplumber数值提取错误

• 典型异常场景：PDF中实际标注的带分数长度为36 1/2英寸，通过现有pdfplumber代码提取得到的数值却是362，整数部分与分数分母直接拼接，丢失了分数的结构信息
• 现有代码逻辑：通过extract_text()拿到整页线性文本后，按换行拆分行，匹配包含inches的行后取第一个元素作为长度值，正常排版的内容可正常提取，仅对上下堆叠格式的带分数出现识别错误

现有参考代码：

import pdfplumber
with pdfplumber.open("Sample.pdf") as pdf:
  first_page = pdf.pages[0]
  text = first_page.extract_text()
  for row in text.split('\n'):
        if 'inches' in row:
            num = row.split()[0]
            print(num)

异常根源：extract_text()接口默认按线性顺序拼接字符时，会忽略字符的垂直位置差异。带分数中的分数部分是排版软件常用的上下堆叠格式：分子位于文字基线以上、分数线与文字基线齐平、分母位于文字基线以下，和前面的整数部分不在同一水平高度。线性提取流程不会保留垂直方向的偏移关系，直接把整数、分子、分母按出现顺序拼接成连续字符串，最终出现36拼接1再拼接2得到362的错误。

具体修复步骤 #

• 不再依赖整页线性提取的纯文本做拆分，转而调用pdfplumber的字符级提取接口，基于字符坐标关系还原真实文本结构
• 核心实现逻辑：
  1. 调用page.chars获取页面上所有独立字符的内容、左上角x坐标、左上角y坐标、字号属性
  2. 按y坐标对所有字符做分行聚类：两个字符的y坐标差值小于当前行平均字号的60%时，判定为属于同一行
  3. 对同一行内的字符按x坐标从小到大排序，计算相邻字符的水平间距：如果间距超过正常字符宽度的1.5倍，就插入空格做内容分隔
  4. 检测垂直堆叠的分数块：当定位到短横线字符，它的正上方1倍字号距离内存在一个单字符、正下方1倍字号距离内存在一个单字符时，将这部分拼接为分子/分母的标准格式，避免分数结构丢失
• 可直接复用的提取代码示例：

import pdfplumber

def extract_text_with_position(page):
    chars = page.chars
    if not chars:
        return ""
    # 基于y坐标聚类分行
    lines = []
    current_line = [chars[0]]
    for char in chars[1:]:
        if abs(char["top"] - current_line[0]["top"]) < current_line[0]["size"] * 0.6:
            current_line.append(char)
        else:
            current_line.sort(key=lambda c: c["x0"])
            lines.append(current_line)
            current_line = [char]
    # 处理最后一行内容
    current_line.sort(key=lambda c: c["x0"])
    lines.append(current_line)
    # 按行拼接文本，自动识别空格位置
    result = []
    for line in lines:
        line_str = line[0]["text"]
        for idx in range(1, len(line)):
            gap = line[idx]["x0"] - line[idx-1]["x1"]
            if gap > line[idx-1]["size"] * 1.5:
                line_str += " "
            line_str += line[idx]["text"]
        result.append(line_str)
    return "\n".join(result)

with pdfplumber.open("Sample.pdf") as pdf:
    first_page = pdf.pages[0]
    # 替换原有的extract_text调用
    processed_text = extract_text_with_position(first_page)
    for row in processed_text.split('\n'):
        if 'inches' in row:
            num = row.split()[0]
            print(num)

内容的提问来源于stack exchange，提问作者Arun