使用Python库高效解析PDF文档中的多级表格

Question

待解析表

有人可以建议如何有效地从 PDF 中提取此表格（上面的链接）吗？我主要使用 tabula，因为它似乎是识别和提取表格的最佳 Python 库。

我想提取到具有单元结构的数据框中，如下图所示：

csv

我愿意用上面/下面的子标题来填充 nan。

该文件（“doc”）是 Marshalls plc 的 2023 年年度报告（实际文件页码 = 92），可通过以下链接获取： https://www.marshalls.co.uk/investor/results-reports-and-presentations

我想出了以下代码来提取每行的元素，但它合并了一些元素，例如第 1 行中的第 5 个元素（从零开始）实际上应该是两个元素（“MIP A”和“MIP B”）而不是一个（“MIP A MIP B”）。正如您所看到的，每行应该有 19 个元素，包括第一列中的高管姓名。现在，代码输出中每个元素只有 10 个元素。

import tabula

dfs = tabula.read_pdf(doc, pages='94')     # multiple_tables=True
dfs

row_number = 1   # Row number you want to access (zero-based)

# Iterate over each DataFrame in the list and access a specified row of actual data
for i, df in enumerate(dfs):
    if not df.empty:  # Ensure DataFrame is not empty
        if len(df) > row_number:  # Check if DataFrame has enough rows
            specified_row = df.iloc[row_number]  # Access the specified row of data
            print(f"Data from row {row_number + 1} in Table {i+1}:")
            print(specified_row.values)  # Print only the values from the specified row
            print(f"\nNumber of elements in row {row_number + 1} of Table {i+1}: {len(specified_row.values)}")
        else:
            print(f"Table {i+1} does not contain row {row_number + 1}.")
    else:
        print(f"Table {i+1} is empty.")

我应该补充一点，我需要能够应用于其他表格并类似地检测单元格之间的划分，因此拥有如下所示的具体引用是没有好处的：

def split_specific_items(row_values):
    updated_values = []
    for item in row_values:
        if item == 'MIP A MIP B':
            updated_values.extend(['MIP A', 'MIP B'])
        else:
            updated_values.append(item)
    return updated_values

Answer 1

Tabula 和任何其他提取器将无法处理重叠的表头，即使它们丢弃一两行。

您能做的最好的事情就是尝试多种方法并选择最佳结果，然后在 MS Word 中编辑为表格。

一旦数据看起来像表格一样正确。只需复制并粘贴（参见页面下部）作为嵌入式电子表格。然后在 Excel 中作为单元格布局打开并导出为 CSV。