PDFminer解析PDF格式异常求助：行标签与对应值无法匹配

看起来你遇到的是PDF文本布局导致的提取问题——这类PDF通常是两列布局（左标签右值），但底层文本流是先渲染完所有标签列，再渲染值列，所以直接提取文本会出现标签堆在一起、值堆在一起的情况。下面给你几个可行的解决方案：

方案1：用PyMuPDF（fitz）基于文本位置配对 #

PyMuPDF可以获取每个文本块的坐标信息，我们可以通过Y坐标判断哪些文本属于同一行，从而把标签和对应值配对起来。

首先安装依赖：

pip install pymupdf

然后用这段代码提取：

import fitz  # 导入PyMuPDF

def extract_label_value_pairs(file_path):
    doc = fitz.open(file_path)
    page = doc[0]  # 假设目标内容在第一页，按需修改页码
    # 获取每个单词的坐标和文本：(x0, y0, x1, y1, text, ...)
    word_blocks = page.get_text("words")
    
    # 按Y坐标分组，同一行的文本Y坐标接近，取近似值避免精度问题
    row_groups = {}
    for word in word_blocks:
        row_y = round(word[3], 1)  # 用单词底部的Y坐标作为行标识
        if row_y not in row_groups:
            row_groups[row_y] = []
        row_groups[row_y].append(word[4])
    
    # 遍历行分组，拆分标签和值
    result = {}
    # 按Y坐标从小到大排序，保证行顺序正确
    for y in sorted(row_groups.keys()):
        row_text = " ".join(row_groups[y])
        if ":" in row_text:
            # 按第一个冒号分割标签和值
            label, value = row_text.split(":", 1)
            result[label.strip()] = value.strip()
        else:
            # 处理没有冒号的描述行（比如那段担保说明）
            result["附加说明"] = row_text.strip()
    
    doc.close()
    return result

# 使用示例
extracted_data = extract_label_value_pairs("你的PDF文件路径.pdf")
for label, value in extracted_data.items():
    print(f"{label}: {value}")

这个方法的核心是利用文本的位置信息，确保同一行的标签和值被分到一组，再通过冒号拆分，能适配大多数这类布局的PDF。

方案2：用PDFPlumber处理（更简洁的位置提取） #

PDFPlumber也是一个强大的PDF处理库，同样支持获取文本的位置信息，语法更直观：

先安装：

pip install pdfplumber

代码示例：

import pdfplumber

def extract_with_pdfplumber(file_path):
    with pdfplumber.open(file_path) as pdf:
        page = pdf.pages[0]
        # 提取所有单词及位置信息
        words = page.extract_words()
        
        # 按行分组
        row_groups = {}
        for word in words:
            row_y = round(word["top"], 1)
            if row_y not in row_groups:
                row_groups[row_y] = []
            row_groups[row_y].append(word["text"])
        
        # 生成键值对
        result = {}
        for y in sorted(row_groups.keys()):
            row_content = " ".join(row_groups[y])
            if ":" in row_content:
                label, value = row_content.split(":", 1)
                result[label.strip()] = value.strip()
            else:
                result["附加说明"] = row_content.strip()
        
        return result

# 调用
data = extract_with_pdfplumber("你的PDF文件路径.pdf")
print(data)

方案3：手动映射（适合固定格式的PDF） #

如果你的PDF格式完全固定，标签和值的数量始终对应，也可以手动拆分提取到的文本，再配对：

# 假设你提取到的文本按顺序拆分后，标签和值列表如下
labels = [
    "Emetteur", "Garant", "Rang de créance des Titres", "Format", 
    "Devise Prévue", "Montant Nominal Total", "Tranche", "Série", 
    "Prix d'Emission", "Valeur(s) Nominale(s)", "Date d'Emission", 
    "Date de Début de Période d’Intérêts", "Date d'Echéance"
]

values = [
    "XYXYXYX", "XYXYXYX", "Assortis de Sûretés", 
    "Les Titres sont garantis par XYXYXYX et sécurisés avec recours contre l’Emetteur limité au Pool d’Actifs Gagés (voir la section Dispositions relatives aux Titres Assortis de Sûretés ci-dessous).", 
    "EUR", "EUR 30 000 000", "-", "-", "100% du Montant Nominal Total", 
    "EUR 1 000", "05/07/2017", "Sans objet", "05/07/2029"
]

# 配对成字典
result = dict(zip(labels, values))
for k, v in result.items():
    print(f"{k}: {v}")

⚠️ 注意：这个方法局限性大，一旦PDF格式有变动（比如新增/删除行）就会出错，只适合固定模板的场景。

总结 #

优先推荐PyMuPDF或PDFPlumber的方案，它们能基于文本位置自动配对标签和值，适配性更强。如果是一次性处理固定格式的PDF，手动映射可以快速解决问题。

内容的提问来源于stack exchange，提问作者Dhanunjay