專欄導讀

• ?? 歡迎來到Python辦公自動化專欄—Python處理辦公問題，解放您的雙手

• ?????? 博客主頁：請點擊——> 一晌小貪歡的博客主頁求關注

• ?? 該系列文章專欄：請點擊——>Python辦公自動化專欄求訂閱

• ?? 此外還有爬蟲專欄：請點擊——>Python爬蟲基礎專欄求訂閱

• ?? 此外還有python基礎專欄：請點擊——>Python基礎學習專欄求訂閱

• 文章作者技術和水平有限，如果文中出現錯誤，希望大家能指正??

• ?? 歡迎各位佬關注！ ??

概述

在日常工作中，我們經常需要從PDF文件中提取表格數據進行分析。手動復制粘貼不僅效率低下，還容易出錯。本文將介紹如何使用Python自動化批量提取PDF中的表格數據，并將其轉換為可處理的格式。

主要工具庫介紹

1. tabula-py

• 優勢：專門用于PDF表格提取，功能強大
• 特點：基于Java的tabula庫，支持復雜表格結構
• 適用場景：結構化表格，邊框清晰的PDF

2. camelot-py

• 優勢：高精度表格提取，支持表格質量評估
• 特點：提供多種提取策略，可視化調試
• 適用場景：高質量PDF文檔，需要精確提取

3. pdfplumber

• 優勢：輕量級，易于使用
• 特點：可以提取文本、表格和圖像信息
• 適用場景：簡單表格，文本密集型PDF

4. PyMuPDF (fitz)

• 優勢：功能全面，性能優秀
• 特點：支持多種PDF操作，包括表格提取
• 適用場景：復雜PDF處理需求

環境準備

安裝依賴

# 安裝tabula-py（需要Java環境）
pip install tabula-py# 安裝camelot-py
pip install camelot-py[cv]# 安裝pdfplumber
pip install pdfplumber# 安裝PyMuPDF
pip install PyMuPDF# 安裝pandas用于數據處理
pip install pandas# 安裝其他輔助庫
pip install openpyxl xlsxwriter

Java環境配置（tabula-py需要）

# 檢查Java版本
java -version# 如果沒有Java，需要安裝JDK 8或更高版本

方法一：使用tabula-py提取表格

基礎用法

import tabula
import pandas as pd
import os
from pathlib import Pathdef extract_tables_with_tabula(pdf_path, output_dir):"""使用tabula-py提取PDF中的表格Args:pdf_path: PDF文件路徑output_dir: 輸出目錄"""try:# 提取所有表格tables = tabula.read_pdf(pdf_path, pages='all', multiple_tables=True)pdf_name = Path(pdf_path).stem# 保存每個表格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"處理文件 {pdf_path} 時出錯: {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} 個表格")

高級配置

def advanced_tabula_extraction(pdf_path, output_dir):"""高級tabula提取配置"""try:# 自定義提取參數tables = tabula.read_pdf(pdf_path,pages='all',multiple_tables=True,lattice=True,  # 使用格線檢測stream=False,  # 不使用流模式guess=True,    # 自動猜測表格區域pandas_options={'header': 0}  # 設置第一行為表頭)pdf_name = Path(pdf_path).stemfor i, table in enumerate(tables):if not table.empty:# 數據清洗table = table.dropna(how='all')  # 刪除全空行table = table.dropna(axis=1, how='all')  # 刪除全空列# 保存為多種格式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"處理失敗: {str(e)}")return 0

方法二：使用camelot-py提取表格

import camelot
import pandas as pddef extract_tables_with_camelot(pdf_path, output_dir):"""使用camelot-py提取PDF表格"&