PDF Table Stitcher 📄✂️🧩

PDF 跨页表格自动检测与拼接工具 — 自动识别扫描件 PDF 中被分页截断的表格，裁剪并无缝拼接为完整图片。

✨ 功能特性

• 🔍 智能表格检测 — 基于 OpenCV 形态学操作，通过横线/竖线交叉点精准定位表格区域
• 📐 跨页截断识别 — 自动判定相邻页面顶部/底部的表格碎片是否属于同一张被截断的表格
• 🧩 智能拼接 — 自适应宽度对齐（等比缩放），垂直方向无缝拼合
• 📦 批量处理 — 支持多 PDF 文件并行处理（多进程加速）
• ⚙️ 参数可调 — 所有关键阈值均通过全局变量暴露，附详细中文注释，方便微调

📋 适用场景

• 扫描合同、协议中的跨页表格（如小红书商务合作协议等）
• 纯图片型 PDF，无法使用 camelot/pdfplumber 等文字提取库的场景
• 任何需要从扫描文档中提取完整表格图像的需求

🚀 快速开始

安装依赖

pip install -r requirements.txt

使用方法

1. 将待处理的 PDF 文件放入 ./input 目录
2. 运行脚本：

python pdf_table_stitcher.py

3. 拼接好的表格图片将输出到 ./output 目录

输出命名规范

{原PDF文件名}_合并表格_Page{N}-{N+1}.jpg

例如：合同_合并表格_Page1-2.jpg

⚙️ 可调参数

在 pdf_table_stitcher.py 顶部的全局变量区域，可以根据实际文档调整以下参数：

参数	默认值	说明
DPI	300	PDF 栅格化分辨率
HORIZONTAL_KERNEL_WIDTH_RATIO	1/30	横线检测 kernel 宽度占图像宽度比例
VERTICAL_KERNEL_HEIGHT_RATIO	1/30	竖线检测 kernel 高度占图像高度比例
DILATE_ITERATIONS	3	膨胀迭代次数，连接断裂线段
MIN_TABLE_AREA_RATIO	0.005	最小表格面积占比（过滤噪声）
EDGE_MARGIN_RATIO	0.12	跨页判定边距（页面高度的 12%）
WIDTH_SIMILARITY_THRESHOLD	0.35	跨页表格宽度相似度阈值
OUTPUT_JPEG_QUALITY	95	输出 JPEG 质量

🔧 技术栈

• PyMuPDF (fitz) — PDF 栅格化
• OpenCV — 形态学操作 & 表格检测
• NumPy — 图像数组操作
• Pillow — 图像保存

📁 项目结构

pdf_table_stitcher/
├── pdf_table_stitcher.py   # 主脚本
├── requirements.txt        # Python 依赖
├── input/                  # 放入待处理的 PDF
├── output/                 # 输出拼接后的表格图片
├── LICENSE                 # MIT License
└── README.md

📄 License

MIT