双栏 PDF 抽文字左右串成一行 128 页段落顺序全乱怎么重排

标书 128 页,双栏排版。用 pdfplumber 的 extraCt_text 抽出来,每行左右两栏被拼在一起,「甲方应于」和「乙方有权」接成一句话,整段读不通。第一反应是字符间距识别错了,调了 x_tolerance 和 y_tolerance,结果还是这样。

加上 layout=True 能保留位置,可它依然按 y 坐标把同一水平线上的字归成一行,双栏的左右两栏 y 值几乎一样,必然串。试过按字符的 order 字段过滤,跨栏标题处直接乱序。

换方案是自己分栏。先取页面宽度的一半作为中线,把每个字符的 x0 和中线比较,小于的进左栏,大于的进右栏,各自按 top 排序后再拼。宽度超过页面 80% 的行判定为通栏,比如大标题和表格,单独处理不分栏。

表格是另一个坑。pdfplumber 抽表格要单独调 extract_tables,正文再抽一次会把单元格文字重复一遍。现在先抽表格区域并记下 bbox,正文抽取时跳过这些矩形,重叠部分以表格为准。

分栏阈值也不是死的中线。有的页左边距 72pt 右边距 48pt,中线偏了 12pt,用每行起止的均值动态算一次,跨栏的段落就归位了。

还有 6 页是横向扫描附页,内容转了 90 度。这种页按 y 排序会整段倒着出,先用 page.rotation 判断,转正坐标系再抽,抽完把文本顺序反过来拼。

确认:128 页跑完,随机抽 20 页人工读,句子完整率 98%,剩下 2 页是竖排表格;抽出的总字数比原来少 0.4%,是去掉了重复的表格文字。

page = pdf.pages[0]
mid = page.width / 2
left = [c for c in page.chars if c["x0"] < mid]
right = [c for c in page.chars if c["x0"] >= mid]
def join(chars):
    chars.sort(key=lambda c: (c["top"], c["x0"]))
    return "".join(c["text"] for c in chars)

您可以还会对下面的文章感兴趣:

暂无相关文章