pdfplumber PDF 文本与表格提取

要解决什么问题

业务里常见的 PDF 往往不是「扫一眼」就够：对账、报表归档、合同条款比对，都需要把页面里的文字和表格变成可查询、可入库的结构化数据。纯 OCR 路线成本高，而很多发票、银行流水、系统导出的 PDF 其实是机器生成的矢量页——字符位置和表格线都在文件里，用对的库可以直接按几何关系还原表格，而不是猜格子。

技能在做什么

本技能指向开源库 pdfplumber（底层依赖 pdfminer.six）。它面向「从 PDF 里抠细节」这一件事：

• 文本：按字符/词块读取，并保留在页面上的坐标，便于和表格区域对齐。
• 表格：针对机器生成 PDF 做结构化提取，是库的主打场景。
• 版式元素：线条、矩形、曲线等对象也可遍历，用于理解分隔线、边框。
• 可视化调试：提取结果可以和页面几何对照，排查「列错位」「合并单元格被拆散」一类问题。

除 Python API 外还提供 CLI，适合在脚本流水线里对单个文件做快速探测。技能文档同步了上游 README 的用法要点，便于在 Agent 工作流里按同一套 API 生成解析代码。

适用边界

• 扫描件、拍照 PDF 没有可靠文字层时，pdfplumber 不能替代 OCR；应先用 OCR 再处理文本层。
• 复杂排版、手写标注、强依赖视觉设计的宣传册，表格识别可能不稳定。
• 上游声明支持 Python 3.10～3.14；环境与 pdfminer 系列依赖冲突时需按项目要求隔离虚拟环境。