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 页面中提取表格。

问题是我似乎找不到提取文本和表的方法。本质上，如果pdf以这种方式格式化：

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

text 2

我希望输出是：

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

在本例中，您可以从 pdfplumber 运行 extract_text：

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，但这只会为您提供表格。我需要一种同时提取文本和表格的方法。

这是以某种我不理解的方式内置到库中的吗？如果没有，这可能吗？

编辑：已回答

这直接来自已接受的答案，稍作调整即可修复它。非常感谢！

from operations import itemgetter

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, itemgetter('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'])

2022 年 7 月 19 日编辑：

更新了一个参数以包含 itemgetter，它现在是 pdfplumber 的 cluster_objects 函数所必需的（而不是字符串）

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'])