Python 解析PDF文档中基于表的内容并不总是按行顺序显示

我试图解析一些PDF文档（1.7格式）来提取数字数据

我正在使用PythonPDF miner包，它工作得很好

对于大多数文档，表中的一行将转换为单个文本字符串。但有时两个相邻行的内容会交织成一个字符串。例如：

The visual appearnce within the PDf is as follows

LZX DEC-18         13.95 .00 0     0 0 0 0 0 0
Totals for LZX:              0 3 481 0 0 0 0 0

But the extracted text looks like this, appearing in column rather than row order

---
LZX
Totals for LZX:

DEC-18

13.95

.00

0
0

0
3,481

0
0

0
0

0
0

0
0

0
0

我看不到PDF miner脚本中有任何选项会改变这一点。所以我假设这与最初创建PDF数据的方式有关

---

这使得解析变得非常困难，因此知道何时可能发生这种情况非常方便。

我最初对PDF呈现的假设是，它类似于打印机执行的光栅输出。也就是说，首先在一行中从左到右创建文本，然后逐行创建文本

但要意识到这是错误的，PDF producer设置的渲染模式更像X-Y绘图仪可以生成的模式，重点是对象接近扫描方向

---

我的结论是，PDF扫描本质上是困难的，因为无法对页面内的文本顺序做出任何假设。在可能的情况下，解决方案是返回生成PDF的源文档。如果它的结构是表格形式，则很容易从该格式检索所有数据。

问题是什么？欢迎使用堆栈溢出。这不是一个好的提问方式。到目前为止，你有没有尝试过解决你的问题？先表现出你的努力，这样人们才能表现出他们的努力。请阅读，作为开始。我的问题在最后两段。什么决定了不同表格单元格在转换文本流中的显示顺序？大多数情况下，它是从左到右，然后沿着页面向下，按照您所期望的顺序发生的。但并不总是按照这个例子。我想知道为什么会发生这种情况。嗨，纳胡尔，我已经详细描述了这个问题。我的解决方案是扫描不按行顺序显示的文本。但这是混乱的，所以我想知道PDF文本在变体中的顺序。我正在寻求一些关于如何确定PDF顺序的信息。不确定这怎么能解释为“不试图解决问题”。好吧，没有来自主题专家的实际建议，所以我自己搜索。综上所述，相关章节是“在PDF中，文本不是连续的，而是由页面中绝对定位的许多小字符组组成。PDF的重点是保持布局完整。它不是面向内容，而是面向展示”。因此，唯一的解决方案似乎是在PDF创建阶段使用Acrobat等工具。