如何提取文本和表格pdfplumber

Question

使用 pdfplumber 库，您可以提取 PDF 页面的文本，也可以从 pdf 页面提取表格。

问题是我似乎找不到提取文本和表格的方法。本质上，如果pdf是这样格式化的：

text1
tablename
___________
| Header 1 |
------------
| row 1    |
------------

text 2

我希望输出为：

["text 1",
 "table name",
 [["header 1"], ["row 1"]],
 "text 2"]

在此示例中，您可以运行 extract_text 来自 pdfplumber:

with pdfplumber.open("example.pdf") as pdf:
    for page in pdf.pages:
        page.extract_text()

但这会将文本和表格提取为文本。您可以运行 extract_tables，但这只会给您表格。我需要一种同时提取文本和表格的方法。

这是否以某种我不理解的方式内置到库中？如果不是，这可能吗？

编辑：已回答

这直接来自已接受的答案，并稍作调整以修复它。非常感谢！

def check_bboxes(word, table_bbox):
    """
    Check whether word is inside a table bbox.
    """
    l = word['x0'], word['top'], word['x1'], word['bottom']
    r = table_bbox
    return l[0] > r[0] and l[1] > r[1] and l[2] < r[2] and l[3] < r[3]


tables = page.find_tables()
table_bboxes = [i.bbox for i in tables]
tables = [{'table': i.extract(), 'top': i.bbox[1]} for i in tables]
non_table_words = [word for word in page.extract_words() if not any(
    [check_bboxes(word, table_bbox) for table_bbox in table_bboxes])]
lines = []
for cluster in pdfplumber.utils.cluster_objects(
        non_table_words + tables, 'top', tolerance=5):
    if 'text' in cluster[0]:
        lines.append(' '.join([i['text'] for i in cluster]))
    elif 'table' in cluster[0]:
        lines.append(cluster[0]['table'])

Answer 1

您可以获取表格的边界框，然后过滤掉其中的所有单词，如下所示：

def check_bboxes(word, table_bbox):
    """
    Check whether word is inside a table bbox.
    """
    l = word['x0'], word['top'], word['x1'], word['bottom']
    r = table_bbox
    return l[0] > r[0] and l[1] > r[1] and l[2] < r[2] and l[3] < r[3]


tables = page.find_tables()
table_bboxes = [i.bbox for i in tables]
tables = [{'table': i.extract(), 'doctop': i.bbox[1]} for i in tables]
non_table_words = [word for word in page.extract_words() if not any(
    [check_bboxes(word, table_bbox) for table_bbox in table_bboxes])]
lines = []
for cluster in pdfplumber.utils.cluster_objects(non_table_words+tables, 'doctop', tolerance=5):
    if 'text' in cluster[0]:
        lines.append(' '.join([i['text'] for i in cluster]))
    elif 'table' in cluster[0]:
        lines.append(cluster[0]['table'])

如何提取文本和表格pdfplumber

How to extract texts and tables pdfplumber

python

pdf

pdfplumber

编辑：已回答