如何识别Textract提取的财报PDF表格是否包含表头

我正在从10-K这类财务报表PDF中用Python Textract SDK提取表格，Textract支持输出Markdown格式的表格，但遇到两个问题：

1. 部分表格没有表头，示例如下：

|                                                |              |              |              |              |              |
|------------------------------------------------|--------------|--------------|--------------|--------------|--------------|
| Prepaid Expenses                               | $201,594     | $138,241     | $178,471     | $131,595     | $131,595     |
| Current Assets                                 | $4,854,551   | $4,991,387   | $5,515,415   | $5,793,333   | $5,793,333   |

2. 部分表格的表头不符合标准Markdown格式，示例如下：

|                                                             |                  |                  |
|-------------------------------------------------------------|------------------|------------------|
| Note                                                        | 31 décembre 2024 | 31 décembre 2023 |
| Trésorerie et équivalents de trésorerie                     | 35242$           | 54076 $          |
| Créances et autres débiteurs 5                              | 112441           | 114701           |

我想找可靠的方法判断表格是否包含表头，但不想解析Textract的原始JSON输出。

1. 基于Markdown表格结构与内容特征分析 #

直接对Textract输出的Markdown文本做轻量分析：

• 检查首行非空性：如果分隔线上方的首行所有单元格均为空（如第一个示例），直接判定无表头；
• 对比首行与数据行的内容类型：财务报表表头多为日期、类别名称，数据行以带$符号的金额或纯数字为主。可写简单规则：
  • 检测首行单元格是否包含日期格式（如XX XXX XXXX、XXXX年XX月XX日）或非金额类文本；
  • 检测数据行单元格是否以$开头/结尾，或为纯数字；
  • 若首行与数据行内容类型差异明显，判定存在表头。

2. 提取Textract响应中的关键元数据 #

虽然你不想解析完整JSON，但可以只提取HeaderRows字段做判断——Textract会在识别到表头时，将对应行标记到该字段中。Python SDK代码示例：

import boto3

textract = boto3.client('textract')

def check_table_has_header(table_block):
    # 直接读取表头行数量，无需解析全量JSON
    return len(table_block.get('HeaderRows', [])) > 0

# 调用示例
response = textract.analyze_document(
    Document={'S3Object': {'Bucket': '你的存储桶名', 'Name': '目标10K文档.pdf'}},
    FeatureTypes=['TABLES']
)

# 遍历所有表格判断
for block in response['Blocks']:
    if block['BlockType'] == 'TABLE':
        print(f"该表格是否含表头: {check_table_has_header(block)}")

3. 结合10-K报表的行业规则 #

10-K报表的表格有固定规律可利用：

• 资产负债表、利润表等核心报表必然带表头（通常为报告期日期）；
• 明细类附表可能无表头，直接以「项目名称+数据」形式呈现；
• 可结合表格上方的标题文本辅助判断：若标题为明细项（如"Prepaid Expenses Breakdown"），大概率无表头；若为正式报表名称（如"Consolidated Balance Sheets"），必然有表头。

内容的提问来源于stack exchange，提问作者Jason Pereira