求助，怎么把英语课本中的分栏按单元词汇导出来？

blackantt

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。

71.zip (548.46 KB, 下载次数: 0)

9 小时前 上传

点击文件名下载附件

  ， 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

FishC

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。

1. 
   
2. import pdfplumber
   
3. import re
   
4. import csv
   
5. 
   
6. # 替换为您的PDF文件路径
   
7. pdf_path = "english_book.pdf"
   
8. output_csv = "vocabulary.csv"
   
9. 
   
10. # 打开PDF文件
    
11. with pdfplumber.open(pdf_path) as pdf:
    
12.     all_text = ""
    
13.     for page in pdf.pages:
    
14.         # 获取页面尺寸
    
15.         width = page.width
    
16.         height = page.height
    
17.         
    
18.         # 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）
    
19.         left_bbox = (0, 0, width/2, height)  # 左栏区域：从左上角到中间
    
20.         right_bbox = (width/2, 0, width, height)  # 右栏区域：从中间到右下角
    
21.         
    
22.         # 提取左栏文本
    
23.         left_text = page.within_bbox(left_bbox).extract_text()
    
24.         # 提取右栏文本
    
25.         right_text = page.within_bbox(right_bbox).extract_text()
    
26.         
    
27.         # 合并文本（先左栏后右栏）
    
28.         page_text = left_text + "\n" + right_text
    
29.         all_text += page_text + "\n"
    
30. 
    
31. # 使用正则表达式匹配分类和词汇
    
32. # 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）
    
33. 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+|$)'
    
34. matches = re.findall(pattern, all_text, re.DOTALL)
    
35. 
    
36. # 准备表格数据
    
37. data = []
    
38. for match in matches:
    
39.     category = match[0].strip()
    
40.     vocabulary_text = match[1].strip()
    
41.     # 分割词汇文本为行（假设每行一个词汇）
    
42.     words = vocabulary_text.split('\n')
    
43.     for word in words:
    
44.         word = word.strip()
    
45.         if word:  # 忽略空行
    
46.             data.append([category, word])
    
47. 
    
48. # 保存为CSV文件
    
49. with open(output_csv, 'w', newline='', encoding='utf-8') as csvfile:
    
50.     writer = csv.writer(csvfile)
    
51.     writer.writerow(['Category', 'Vocabulary'])  # 表头
    
52.     writer.writerows(data)
    
53. 
    
54. print("提取完成！数据已保存到", output_csv)
    

复制代码

### 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。

不二如是

同问，这个有点难