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 也将结果输出到文件中（或在您的示例中的字符串流中）并对内容进行更精细的解析。
TextConverter（和 PDFPageAggregator）的问题在于它们没有足够深地递归到文档结构以正确提取不同的列。其他两个转换器需要有关文档结构的一些信息以用于显示目的，因此它们会收集更详细的数据。在您的示例 pdf 中，两个简单的设备都只解析（大致）包含列的整个文本框，这使得正确分隔不同的行成为不可能（或至少非常困难）。我发现这个问题的解决方案效果很好，要么
在这两种情况下，您都必须使用它们的边界框 y 坐标将不同的文本段组合到行中。
在新设备类的情况下（我认为这更有说服力），您必须覆盖receive_layout在渲染过程中为每个页面调用的方法。然后，此方法递归地解析每个页面中的元素。例如，这样的事情可能会让你开始：
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，每个找到的 LTTextLine 元素都存储在一个有序的元组列表中，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，其中所有文本行使用其页码和 y 坐标排列。您可以循环使用相同 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，并且大部分列都被正确解析。但是，某些列非常靠近，以至于默认 PDFMiner 启发式无法将它们分成自己的元素。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。在任何情况下，您可能都想通读（文档很少的）PDFMiner API以及浏览 PDFMiner 的源代码，您可以从 github 获得这些源代码。（唉，我无法粘贴链接，因为我没有足够的代表点：'<，但你可以希望谷歌正确的回购）