求助：将Tesseract识别扫描PDF的文本转换为规范CSV/DataFrame

我来帮你搞定这个血液检测数据整理的问题！你遇到的核心问题是原始提取文本没有清晰的条目分隔，直接按空格或换行拆分肯定会乱。咱们用正则表达式精准匹配每个指标条目，就能完美分成你想要的两列格式了。

步骤1：预处理原始文本 #

先把提取文本里的干扰符号（比如¢、/、—这些无关字符）去掉，同时合并多余的空格：

import re
import pandas as pd

# 你从Tesseract拿到的原始提取文本
raw_text = "Haemoglobin 13.5 14-16 g/dl Random Blood Sugar 186 60 - 160 mg/dl Random Urine Sugar Nil ¢ Blood Urea 43 14-40 mg/dl 4 — Serum Creatinine 2.13 0.4-1.5 mg/dl Serum Uric Acid 4.9 3.4-7.0 mg/dl Serum Sodium 142 135 - 150 meq/L / Serum Potassium 2.6 3.5-5.0 meq/L Total Cholesterol] 146 110 - 160 mg/dl Triglycerides 162 60 - 180 mg/d]"

# 清理文本：移除特殊符号，合并连续空格
cleaned_text = re.sub(r'[¢/—\]]', '', raw_text)
cleaned_text = re.sub(r'\s+', ' ', cleaned_text).strip()

步骤2：用正则表达式拆分每个指标条目 #

观察每个指标的结构：指标名称（首字母大写的单词序列） + 检测值+参考范围+单位。我们用正则匹配这个固定模式，精准拆分每个条目：

# 正则模式：匹配指标名称，再匹配后续的检测详情，直到下一个大写开头的指标前结束
pattern = r'([A-Z][a-zA-Z\s]+?)\s+([0-9.Nil\s-]+?)(?=\s+[A-Z]|$)'
matches = re.findall(pattern, cleaned_text)

# 整理匹配结果：去掉每个字段的多余空格
processed_data = []
for indicator, details in matches:
    processed_data.append([indicator.strip(), details.strip()])

步骤3：转换为DataFrame并导出CSV #

现在把整理好的列表转成DataFrame，就是你想要的两列结构了：

# 生成DataFrame
df = pd.DataFrame(processed_data, columns=['指标名称', '检测值及参考范围'])

# 打印结果
print(df)

# 导出为CSV（可选）
df.to_csv('blood_test_results.csv', index=False)

最终输出效果 #

运行后你会得到结构化的表格：

指标名称          检测值及参考范围
0      Haemoglobin        13.5 14-16 g/dl
1  Random Blood Sugar    186 60 - 160 mg/dl
2  Random Urine Sugar                  Nil
3        Blood Urea         43 14-40 mg/dl
4   Serum Creatinine      2.13 0.4-1.5 mg/dl
5    Serum Uric Acid       4.9 3.4-7.0 mg/dl
6      Serum Sodium     142 135 - 150 meq/L
7    Serum Potassium      2.6 3.5-5.0 meq/L
8  Total Cholesterol    146 110 - 160 mg/dl
9       Triglycerides      162 60 - 180 mg/dl

这个方法靠正则精准识别指标边界，完美适配你提取的文本格式，再也不会出现拆分错位的问题啦。

内容的提问来源于stack exchange，提问作者Aishwarya Venkat