我最近遇到了类似的问题，尽管我的 pdf 结构稍微简单一些。
PDFMiner 使用称为“设备”的类来解析 pdf 文件中的页面。基本设备类是 PDFPageAggregator 类，它只是解析文件中的文本框。转换器类，例如TextConverter、XMLConverter 和 HTMLConverter 还将结果输出到文件中（或示例中的字符串流中），并对内容进行一些更详细的解析。
TextConverter（和 PDFPageAggregator）的问题在于，它们对文档结构的递归程度不够深，无法正确提取不同的列。另外两个转换器需要一些有关文档结构的信息以用于显示目的，因此它们收集更详细的数据。在您的示例 pdf 中，两个简单设备仅解析（粗略地）包含列的整个文本框，这使得不可能（或至少非常困难）正确分隔不同的行。我发现这个问题的解决方案效果很好，要么
- 创建一个继承自 PDFPageAggregator 的新类，或者
- 使用 XMLConverter 并使用例如解析生成的 XML 文档美丽汤
在这两种情况下，您都必须使用边界框 y 坐标将不同的文本段组合到行中。
对于新的设备类（我认为这更有说服力），您必须重写该方法receive_layout在渲染过程中每个页面都会调用该 get 方法。然后该方法递归地解析每个页面中的元素。例如，类似这样的事情可能会帮助您开始：
from pdfminer.pdfdocument import PDFDocument, PDFNoOutlines
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTPage, LTChar, LTAnno, LAParams, LTTextBox, LTTextLine
class PDFPageDetailedAggregator(PDFPageAggregator):
def __init__(self, rsrcmgr, pageno=1, laparams=None):
PDFPageAggregator.__init__(self, rsrcmgr, pageno=pageno, laparams=laparams)
self.rows = []
self.page_number = 0
def receive_layout(self, ltpage):
def render(item, page_number):
if isinstance(item, LTPage) or isinstance(item, LTTextBox):
for child in item:
render(child, page_number)
elif isinstance(item, LTTextLine):
child_str = ''
for child in item:
if isinstance(child, (LTChar, LTAnno)):
child_str += child.get_text()
child_str = ' '.join(child_str.split()).strip()
if child_str:
row = (page_number, item.bbox[0], item.bbox[1], item.bbox[2], item.bbox[3], child_str) # bbox == (x1, y1, x2, y2)
self.rows.append(row)
for child in item:
render(child, page_number)
return
render(ltpage, self.page_number)
self.page_number += 1
self.rows = sorted(self.rows, key = lambda x: (x[0], -x[2]))
self.result = ltpage
在上面的代码中，找到的每个 LTTextLine 元素都存储在元组的有序列表中，其中包含页码、边界框的坐标以及该特定元素中包含的文本。然后你会做类似的事情：
from pprint import pprint
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.layout import LAParams
fp = open('pdf_doc.pdf', 'rb')
parser = PDFParser(fp)
doc = PDFDocument(parser)
doc.initialize('password') # leave empty for no password
rsrcmgr = PDFResourceManager()
laparams = LAParams()
device = PDFPageDetailedAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)
for page in PDFPage.create_pages(doc):
interpreter.process_page(page)
# receive the LTPage object for this page
device.get_result()
pprint(device.rows)
变量 device.rows 包含有序列表，其中所有文本行均使用页码和 y 坐标排列。您可以循环遍历具有相同 y 坐标的文本行和组行以形成行、存储列数据等。
我尝试使用上面的代码解析您的 pdf，并且大部分列都已正确解析。然而，某些列距离太近，以至于默认的 PDFMiner 启发式方法无法将它们分离成自己的元素。您可以通过调整字边距参数（命令行工具 pdf2text.py 中的 -W 标志）来解决这个问题。无论如何，您可能需要通读（记录不充分）PDFMiner API以及浏览 PDFMiner 的源代码，您可以从 github 获取该源代码。 （唉，我无法粘贴链接，因为我没有足够的代表点：'
