如何用Pandas按特定行条件从PDF不规则DataFrame生成嵌套JSON
跨页不规则PDF解析DataFrame的嵌套结构生成逻辑
核心行识别规则
针对加载完成的3页跨页PDF解析得到的原始Pandas DataFrame,优先识别两类关键行,不依赖固定的PDF排版模板:
- Object标记行:匹配第1列取值严格为
Object的行,提取该行第2列的数字编号(1/2/3/4…)作为一级结构的键名,例如Object_1、Object_2 - 字段表头行:匹配行内同时包含
ID、Name、Location、Time、ZIP五个字段名的行,作为后续业务数据的字段映射参考基准
特殊排版兼容规则
针对跨页常见的排版异常做适配,不强制要求每个Object标记行后方必须紧跟表头行:
- 若相邻两个Object行之间无对应表头行,直接复用最近一次识别到的字段映射关系完成数据匹配,不中断处理流程
- 对跨页产生的零散空行、排版错位的残行,直接过滤不参与数据聚合
- 避免因为断版、表头缺失或重复导致的结构生成失败
落地实现路径
全程优先使用Pandas原生的iloc、loc方法逐行遍历扫描,不引入额外的结构解析依赖:
- 逐行扫描过程中,每遇到Object标记行,立刻创建对应编号的一级结构键,初始化该节点下的各字段值集合空列表
- 持续收集当前Object标记行之后、下一个Object标记行出现之前的所有有效业务行,按照已有的字段映射规则,将行内对应位置的内容匹配到指定字段下,追加到对应字段的列表中
- 扫描过程中遇到新的表头行时,实时更新全局的字段映射关系,供后续未匹配到表头的Object节点复用
最终输出结构
处理完成后生成可直接序列化的嵌套字典/JSON结构,每个一级键对应一个Object编号,节点下固定聚合ID、Name、Location、Time、ZIP五个维度的全量值集合,无冗余的排版占位内容。
内容的提问来源于stack exchange,提问作者Ecko
相关产品推荐
相关产品推荐

