无法仅从网页的pdf文件中的表中获取名称

Question

我用python创建了一个脚本，使用requests模块和PyPDF2库来解析网站的pdf内容。我只对pdf文件第4页（表格内容）中Facility Name下column A的名称感兴趣。我的脚本可以从那个页面上抓取内容，但我找不到任何方法只能得到名字，其他什么也得不到。你知道吗

pdf file link that I've used within the script

这是桌子的样子

我只对列标题Facility Name下的名称感兴趣。你知道吗

我试过：

import io
import PyPDF2
import requests

URL = 'https://www.cms.gov/Medicare/Provider-Enrollment-and-Certification/CertificationandComplianc/Downloads/SFFList.pdf'

res = requests.get(URL)
f = io.BytesIO(res.content)
reader = PyPDF2.PdfFileReader(f)
contents = reader.getPage(3).extractText()
print(contents)

我现在得到的结果是：

Facilit
y Name
Address
City
State
Zip
Phone 
Number
Months as an 
SFFWillows Center
320 North Crawford Street
Willows
CA95988530-934-2834
5Winter Park Care & Rehabilitation Center
2970 Scarlett Rd
Winter Park
FL32792407-671-8030
and so on -----

我希望有这样的输出：

Willows Center
Winter Park Care & Rehabilitation Center
Pinehill Nursing Center
River Brook Healthcare Center

如何从pdf文件中仅获取表中可用的名称？

Answer 1

不幸的是，PDF不是结构化文档，它只是放置在坐标上的字符串/图像，以使其看起来与创建时完全一致，而不管哪个程序渲染它。这意味着您不能像HTML那样简单地解析它，因为表不是在<table>元素下，而是分散在一个页面上。你知道吗

请参见：

• If identifying text structure in PDF documents is so difficult, how do PDF readers do it so well?
• How to extract data from a PDF file while keeping track of its structure?

看看https://github.com/atlanhq/camelot，它可能会对你有所帮助

（这里最多有10页的表格，使用手册可能是一个更快的选择，除非你有很多这样的PDF。）