使用 Python 高效提取 PDF 中的表格数据并导出为 TXT 或 Excel

使用 Python 高效提取 PDF 中的表格数据并导出为 TXT 或 Excel

在日常办公、数据分析或信息归档过程中，我们经常会遇到包含表格数据的 PDF 文件。然而，PDF 本质上是一种用于展示和打印的格式，并非为数据处理而设计，因此直接从中提取结构化数据颇具挑战。幸运的是，借助 Python 强大的生态工具，我们可以自动化地从 PDF 中识别并提取表格内容，并将其保存为便于后续处理的 TXT 或 Excel（.xlsx）格式。

本文将介绍两种主流且高效的开源库——Tabula-py 和 Camelot-py，并通过完整示例演示如何将 PDF 表格数据导出为 TXT 和 Excel 文件。

一、准备工作：安装必要依赖

首先，确保你的系统已安装 Java（Tabula 依赖 Java 运行），然后通过 pip 安装所需库：

# 安装 Tabula-py（基于 Java 的 Tabula 工具）
pip install tabula-py pandas openpyxl

# 或安装 Camelot-py（基于 Ghostscript 和 OpenCV，更强大但配置稍复杂）
pip install camelot-py[cv] pandas openpyxl

二、方法一：使用 Tabula-py（简单快捷）

Tabula-py 是对 Java 工具 Tabula 的 Python 封装，适合处理结构清晰、边界线完整的表格。

示例：提取 PDF 表格并保存为 Excel 和 TXT

import tabula
import pandas as pd

# 指定 PDF 文件路径
pdf_path = "example_table.pdf"

# 提取所有页面的表格（返回 DataFrame 列表）
tables = tabula.read_pdf(pdf_path, pages="all", multiple_tables=True)

# 合并所有表格（或按需处理单个）
combined_df = pd.concat(tables, ignore_index=True)

# 导出为 Excel
combined_df.to_excel("output.xlsx", index=False)

# 导出为 TXT（以制表符分隔）
combined_df.to_csv("output.txt", sep="t", index=False, na_rep="")

print("表格已成功导出为 Excel 和 TXT 文件！")

优点：

• 使用简单，几行代码即可完成。
• 对标准表格（有边框线）识别准确率高。

局限：

• 对无边框或布局复杂的表格支持较弱。
• 依赖 Java 环境。

三、方法二：使用 Camelot-py（精准灵活）

Camelot 提供了两种解析模式：lattice（适用于有边框的表格）和 stream（适用于无边框但对齐良好的表格），灵活性更高。

示例：使用 Camelot 提取并导出

import camelot
import pandas as pd

pdf_path = "example_table.pdf"

# 使用 'lattice' 模式（有边框表格）
tables = camelot.read_pdf(pdf_path, pages="all", flavor="lattice")

# 若表格无边框，可尝试：
# tables = camelot.read_pdf(pdf_path, pages="all", flavor="stream")

if tables:
    # 合并所有表格
    dfs = [table.df for table in tables]
    combined_df = pd.concat(dfs, ignore_index=True)

    # 清理列名（Camelot 默认无列名，第一行为数据）
    # 如需将第一行设为列名：
    # combined_df.columns = combined_df.iloc[0]
    # combined_df = combined_df[1:].reset_index(drop=True)

    # 导出
    combined_df.to_excel("camelot_output.xlsx", index=False)
    combined_df.to_csv("camelot_output.txt", sep="t", index=False, header=False)

    print(f"成功提取 {len(tables)} 个表格，已保存为 Excel 和 TXT。")
else:
    print("未检测到任何表格。")

优点：

• 支持无边框表格（stream 模式）。
• 可可视化调试表格区域（tables[0].plot()）。
• 提供精度评估指标（如 accuracy）。

局限：

• 配置稍复杂，需安装 Ghostscript。
• 大文件处理速度略慢于 Tabula。

四、导出格式说明

• Excel (.xlsx) ：保留表格结构，支持多列、多行，适合后续分析（使用 pandas.DataFrame.to_excel）。
• TXT (.txt) ：通常以制表符（t）或逗号分隔，轻量且兼容性强（使用 to_csv 并指定 sep）。

五、常见问题与优化建议

1. 表格识别不全？

   • 尝试指定具体页码：pages="1,3,5"。
   • 调整 Camelot 的 table_areas 参数手动划定区域。

2. 中文乱码？

   • 确保 PDF 使用标准字体；导出时指定 encoding='utf-8-sig'。

3. 性能优化

   • 对于大批量 PDF，建议使用多进程或异步处理。
   • 预处理 PDF（如裁剪、增强对比度）可提升识别率。

结语

Python 为 PDF 表格数据提取提供了强大而灵活的解决方案。Tabula-py 适合快速上手的标准表格，而 Camelot-py 则在复杂场景下表现更优。结合 pandas 的数据处理能力，我们可以轻松将“不可编辑”的 PDF 表格转化为结构化的 TXT 或 Excel 文件，大幅提升数据再利用效率。

无论你是财务人员、数据分析师还是自动化开发者，掌握这些工具都将显著简化你的工作流程。快试试吧！