问题描述
为了更准确地提取表格单元格中嵌入的类似表格的数据，我希望能够像这样识别 PDF 中的表格单元格边界：
我曾尝试使用 Camelot、pdfplumber 和 PyMuPDF 提取此类表格，并取得了不同程度的成功。但由于我们收到的 PDF 不一致，即使指定了表格边界，我也无法可靠地获得准确的结果。
我发现如果我通过明确指定单元格边界来单独提取每个表格单元格，结果会更好。我已经通过手动输入边界对此进行了测试，这是我使用 Camelot 的可视化调试工具获得的。
我的挑战是如何以编程方式识别表格单元格边界，因为表格可能从页面的任何位置开始，并且单元格的垂直高度可变。
在我看来，可以通过找到行分隔线的坐标来做到这一点，这对人类来说非常明显。但是我还没有弄清楚如何使用 python 工具找到这些行。这是可能的，还是有其他/更好的方法来解决这个问题？
解决方法
我最近有一个类似的用例，我需要通过代码本身找出边界。对于您的用例，有两个选项：
- 如果要识别整个表的边界，可以执行以下操作：
import pdfplumber
pdf = pdfplumber.open('file_name.pdf')
p0 = pdf.pages[req_page] # go to the required page
tables = p0.debug_tablefinder() # list of tables which pdfplumber identifies
req_table = tables.tables[i] # Suppose you want to use ith table
req_table.bbox # gives you the bounding box of the table (coordinates)
- 您想访问表格中的每个单元格并从中提取单词，例如：
import pdfplumber
pdf = pdfplumber.open('file_name.pdf')
p0 = pdf.pages[req_page] # go to the required page
tables = p0.debug_tablefinder() # list of tables which pdfplumber identifies
req_table = tables.tables[i] # Suppose you want to use ith table
cells = req_table.cells # gives list of all cells in that table
for cell in cells[i:j]: # iterating through the required cells
p0.crop(cell).extract_words() # extract the words