求助，怎么把英语课本中的分栏按单元词汇导出来？
本帖最后由 blackantt 于 2025-11-25 15:30 编辑想把pdf里的词汇按照 Vocabulary in Each Unit/Vocabulary from Primary School， Starter Unit/Unit的分类整理出来， 形成表格。用了 PyMuPDF， pdfplumber 等，遇到例外，总是从左边跳到了右边，最后都是乱的。
， 这个是pdf文件
下面是pdf的几个关键内容页
想最终形成以下这种格式
您好！理解您的问题：从分栏PDF中提取词汇时，文本顺序混乱，是因为工具默认按阅读顺序提取，但分栏内容可能从左栏跳到右栏，导致提取结果不连贯。下面我将提供一个使用Python和pdfplumber的解决方案，通过定义分栏区域来分别提取文本，然后整理成表格格式。
### 步骤概述：
1. 使用pdfplumber打开PDF，并分析页面布局（例如，通过页面宽度定义左栏和右栏）。
2. 分别提取左栏和右栏的文本。
3. 使用正则表达式识别分类标题（如"Vocabulary in Each Unit"）和对应的词汇。
4. 将数据保存为CSV表格。
### 代码示例：
以下代码是一个基本示例，您可能需要根据实际PDF调整分栏边界和正则表达式。
import pdfplumber
import re
import csv
# 替换为您的PDF文件路径
pdf_path = "english_book.pdf"
output_csv = "vocabulary.csv"
# 打开PDF文件
with pdfplumber.open(pdf_path) as pdf:
all_text = ""
for page in pdf.pages:
# 获取页面尺寸
width = page.width
height = page.height
# 定义左栏和右栏的边界（这里假设分栏在页面中间，您可能需要调整）
left_bbox = (0, 0, width/2, height)# 左栏区域：从左上角到中间
right_bbox = (width/2, 0, width, height)# 右栏区域：从中间到右下角
# 提取左栏文本
left_text = page.within_bbox(left_bbox).extract_text()
# 提取右栏文本
right_text = page.within_bbox(right_bbox).extract_text()
# 合并文本（先左栏后右栏）
page_text = left_text + "\n" + right_text
all_text += page_text + "\n"
# 使用正则表达式匹配分类和词汇
# 假设分类标题如 "Vocabulary in Each Unit"，后跟词汇列表（直到下一个标题或结尾）
pattern = r'(Vocabulary in Each Unit|Vocabulary from Primary School|Starter Unit|Unit \d+)(.*?)(?=Vocabulary in Each Unit|Vocabulary from Primary School|Starter Unit|Unit \d+|$)'
matches = re.findall(pattern, all_text, re.DOTALL)
# 准备表格数据
data = []
for match in matches:
category = match.strip()
vocabulary_text = match.strip()
# 分割词汇文本为行（假设每行一个词汇）
words = vocabulary_text.split('\n')
for word in words:
word = word.strip()
if word:# 忽略空行
data.append()
# 保存为CSV文件
with open(output_csv, 'w', newline='', encoding='utf-8') as csvfile:
writer = csv.writer(csvfile)
writer.writerow(['Category', 'Vocabulary'])# 表头
writer.writerows(data)
print("提取完成！数据已保存到", output_csv)
### 注意事项：
- 分栏边界调整：如果PDF的分栏不是均匀的，您可能需要手动检查页面宽度，并调整 left_bbox 和 right_bbox 的坐标。例如，使用 page.width/2 可能不准确，可以尝试用具体像素值。
- 正则表达式优化：如果分类标题或词汇格式不同（例如有编号、项目符号），您需要修改 pattern 来匹配实际内容。
- 测试建议：先在小范围页面测试代码，确保提取正确。
- 其他工具：如果pdfplumber不适用，可以尝试PyMuPDF的类似功能，但pdfplumber通常更易于处理文本位置。
这个方案应该能帮助您整理出表格格式。如果仍有问题，请提供更多PDF细节（如截图或示例文本），我可以进一步优化代码！
以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。 同问，这个有点难 本帖最后由 smallwh 于 2025-11-28 17:29 编辑
我负责将难度等级降低一个数量级：
（文本文件）
超出一行的单词释义在文件中占两行，需要进一步处理。
以下是部分效果：
Vocabulary in Each Unit
Starter Unit 1
unit /ˈjuːnɪt/ n. 单元 p.1
starter /ˈstɑːtə(r)/ unit 过渡单元 p.1
section /ˈsekʃn/ n. 部分；地区 p.1
greet /ɡriːt/ v. 招呼；问候 p.1
each /iːtʃ/ adj. & pron.每个；各自 p.2
other /ˈʌeə(r)/ pron. 另外的人（或物）
adj. 另外的；其他的 p.2
each other 互相；彼此 p.2
oh /əʊ/ interj. 哦；啊 p.2
everyone /ˈevriwʌn/
pron. 每人；所有人 p.2
start /stɑːt/ v. 开始；着手 p.4
conversation /ˌkɒnvəˈseɪʃn/
n. 谈话；交谈 p.4
spell /spel/ v. 用字母拼；拼写 p.4
bell /bel/ n. 铃（声）；钟（声） p.4
Helen /ˈhelən/ 海伦 p.1
Ella /ˈelə/ 埃拉 p.1
Emma /ˈemə/ 埃玛 p.1
Peter /ˈpiːtə(r)/ 彼得 p.1
Brown /braʊn/ 布朗 p.2
PRC /ˌpiː ɑː(r) ˈsiː/ 中华人民共和国 p.3
PLA /ˌpiː el ˈeɪ/ 中国人民解放军 p.3
VR /ˌviː ˈɑː(r)/ 虚拟现实 p.3
WHO /ˌdʌbljuː eɪtʃ ˈəʊ/ 世界卫生组织 p.3
UN /ˌjuː ˈen/ 联合国 p.3
Miller /ˈmɪlə(r)/ 米勒 p.4
其实实现非常简单，只需要用 Chrome 打开 PDF ，Ctrl+A，Ctrl+C，Ctrl+V 到记事本里，手动删除一些标头和页脚并换行 smallwh 发表于 2025-11-28 17:26
我负责将难度等级降低一个数量级：
超出一行的单词释义在文件中占两行，需要进一步处理。
额，粘贴到论坛上的音标全乱码了
文件里是正常的
页:
[1]