Python从PDF表格读取数值数据为字符串的解决方案求助

这个问题的核心是区分千位分隔符的空格和列之间的分隔空格，我们可以通过数值的特征（比如负数以-开头、正数的千位分隔空格后是纯数字）来做针对性的处理。这里给你一个实用的Python方案：

解决方案代码 #

def parse_pdf_table_line(line):
    tokens = line.split()
    if not tokens:
        return []
    
    result = [tokens[0]]  # 第一个元素是指标名称，比如"ebit"
    i = 1
    total_columns = 8  # 你指定的每行总列数，减去指标列后需要处理7个数值列
    
    # 循环处理剩余的tokens，直到凑够目标列数
    while i < len(tokens) and len(result) < total_columns:
        current_token = tokens[i]
        # 处理负数：以"-"开头的，后面紧跟的是千位分隔的数字部分
        if current_token.startswith('-'):
            # 合并当前负号开头的token和下一个数字token
            merged_num = current_token + tokens[i+1]
            result.append(merged_num)
            i += 2
        # 处理带千位空格的正数：当前是数字，下一个也是数字（不是负号开头）
        elif i + 1 < len(tokens) and tokens[i+1].isdigit():
            merged_num = current_token + tokens[i+1]
            result.append(merged_num)
            i += 2
        # 处理单个数字（无千位分隔）
        else:
            result.append(current_token)
            i += 1
    
    return result

# 测试你的示例行
sample_line = "ebit 34 894 38 445 28 013 26 356 12 387 -8 680 -2 760 838"
parsed_result = parse_pdf_table_line(sample_line)
print(parsed_result)
# 输出：['ebit', '34894', '38445', '28013', '26356', '12387', '-8680', '-2760']
# 注：如果你的示例行实际是9列，只需把total_columns改成9，就能包含最后的"838"

逻辑说明 #

1. 拆分字符串：先把整行按空格拆分成token列表，方便逐个处理。
2. 保留指标列：第一个token直接作为第一列（比如"ebit"）。
3. 区分空格类型：
   • 遇到以-开头的token，说明后面紧跟的是千位分隔的数字部分，直接合并两个token。
   • 遇到纯数字token，且下一个token也是纯数字，说明是千位分隔的正数，合并两个token。
   • 剩下的单个数字token直接作为单独列。
4. 控制列数：通过total_columns参数确保最终结果符合你需要的列数。

扩展优化 #

如果你的PDF表格里还有其他格式的数值（比如带小数点的12 345.67），可以稍微修改合并逻辑，比如判断下一个token是否包含小数点，然后合并：

# 扩展处理带小数点的千位分隔数值
elif i + 1 < len(tokens) and (tokens[i+1].isdigit() or '.' in tokens[i+1]):
    merged_num = current_token + tokens[i+1]
    result.append(merged_num)
    i += 2

内容的提问来源于stack exchange，提问作者MarG