python - 如何从pdf中提取对应的列数据

Question

pdf包含逐行分隔的数据，并且一行后有一个表格，其中包含标题及其下方的相应值，我无法有序地获取它，而是我一个接一个地获取完整的列标题作为文本。我能够获取数据，逐行显示，以关联标题及其相应的值，但我无法为表格做同样的事情。

fp = open(my_file, "rb")
parser = PDFParser(fp)
document = PDFDocument(parser)
if not document.is_extractable:
     raise PDFTextExtractionNotAllowed

rsrcmgr = PDFResourceManager()
laparams = LAParams()
laparams.line_margin = 12
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)
for page in PDFPage.create_pages(document):
    interpreter.process_page(page)
    layout = device.get_result()
    for lt_obj in layout:
        if isinstance(lt_obj,LTTextBox):
            extracted_text += lt_obj.get_text()

print  extracted_text 

Answer 1

PDF 没有按任何特定顺序排列（尽管通常顺序不是完全随机的）。

如果是文本，您将需要找到标题，然后从 X、Y 位置推断行的内容。