【Python办公】Python如何批量提取PDF中的表格

专栏导读

• 🌸 欢迎来到Python办公自动化专栏—Python处理办公问题，解放您的双手

• 🏳️‍🌈 博客主页：请点击——> 一晌小贪欢的博客主页求关注

• 👍 该系列文章专栏：请点击——>Python办公自动化专栏求订阅

• 🕷 此外还有爬虫专栏：请点击——>Python爬虫基础专栏求订阅

• 📕 此外还有python基础专栏：请点击——>Python基础学习专栏求订阅

• 文章作者技术和水平有限，如果文中出现错误，希望大家能指正🙏

• ❤️ 欢迎各位佬关注！ ❤️

概述

在日常工作中，我们经常需要从PDF文件中提取表格数据进行分析。手动复制粘贴不仅效率低下，还容易出错。本文将介绍如何使用Python自动化批量提取PDF中的表格数据，并将其转换为可处理的格式。

主要工具库介绍

1. tabula-py

• 优势：专门用于PDF表格提取，功能强大
• 特点：基于Java的tabula库，支持复杂表格结构
• 适用场景：结构化表格，边框清晰的PDF

2. camelot-py

• 优势：高精度表格提取，支持表格质量评估
• 特点：提供多种提取策略，可视化调试
• 适用场景：高质量PDF文档，需要精确提取

3. pdfplumber

• 优势：轻量级，易于使用
• 特点：可以提取文本、表格和图像信息
• 适用场景：简单表格，文本密集型PDF

4. PyMuPDF (fitz)

• 优势：功能全面，性能优秀
• 特点：支持多种PDF操作，包括表格提取
• 适用场景：复杂PDF处理需求

环境准备

安装依赖

# 安装tabula-py（需要Java环境）
pip install tabula-py

# 安装camelot-py
pip install camelot-py[cv]

# 安装pdfplumber
pip install pdfplumber

# 安装PyMuPDF
pip install PyMuPDF

# 安装pandas用于数据处理
pip install pandas

# 安装其他辅助库
pip install openpyxl xlsxwriter

Java环境配置（tabula-py需要）

# 检查Java版本
java -version

# 如果没有Java，需要安装JDK 8或更高版本

方法一：使用tabula-py提取表格

基础用法

import tabula
import pandas as pd
import os
from pathlib import Path

def extract_tables_with_tabula(pdf_path, output_dir):
    """
    使用tabula-py提取PDF中的表格
    
    Args:
        pdf_path: PDF文件路径
        output_dir: 输出目录
    """
    try:
        # 提取所有表格
        tables = tabula.read_pdf(pdf_path, pages='all', multiple_tables=True)
        
        pdf_name = Path(pdf_path).stem
        
        # 保存每个表格
        for i, table in enumerate(tables):
            if not table.empty:
                output_file = os.path.join(output_dir, f"{
     pdf_name}_table_{
     i+1}.xlsx")
                table.to_excel(output_file, index=False)
                print(f"表格 {
     i+1} 已保存到: {
     output_file}")
        
        return len(tables)
    
    except Exception as e:
        print(f"处理文件 {
     pdf_path} 时出错: {
     str(e)}")
        return 0

# 使用示例
pdf_file = "example.pdf"
output_directory = "extracted_tables"
os.makedirs(output_directory, exist_ok=True)

table_count = extract_tables_with_tabula(pdf_file, output_directory)
print(f"共提取了 {
     table_count} 个表格")

高级配置

def advanced_tabula_extraction(pdf_path, output_dir):
    """
    高级tabula提取配置
    """
    try:
        # 自定义提取参数
        tables = tabula.read_pdf(
            pdf_path,
            pages='all',
            multiple_tables=True,
            lattice=True,  # 使用格线检测
            stream=False,  # 不使用流模式
            guess=True,    # 自动猜测表格区域
            pandas_options={
   'header': 0}  # 设置第一行为表头
        )
        
        pdf_name = Path(pdf_path).stem
        
        for i, table in enumerate(tables):
            if not table.empty:
                # 数据清洗
                table = table.dropna(how='all')  # 删除全空行
                table = table.dropna(axis=1, how='all')  # 删除全空列
                
                # 保存为多种格式
                base_name = f"{
     pdf_name}_table_{
     i+1}"
                
                # Excel格式
                excel_file = os.path.join(output_dir, f"{
     base_name}.xlsx")
                table.to_excel(excel_file, index=False)
                
                # CSV格式
                csv_file = os.path.join(output_dir, f"{
     base_name}.csv")
                table.to_csv(csv_file, index=False, encoding='utf-8-sig')
                
                print(f"表格 {
     i+1} 已保存: {
     base_name}")
        
        return len(tables)
    
    except Exception as e:
        print(f"处理失败: {
     str(e)}")
        return 0

方法二：使用camelot-py提取表格

import camelot
import pandas as pd

def extract_tables_with_camelot(pdf_path, output_dir):
    """
    使用camelot-py提取PDF表格
    "&