使用Python實現(xiàn)快速提取PDF中的表格

更新時間：2026年06月01日 11:15:17 作者：秋天的落葉鋪滿小路

在數(shù)據分析工作中,我們經常遇到需要從 PDF 文件中提取表格數(shù)據的場景,本文將手把手教你使用?Spire.PDF for Python?庫,快速準確地識別并提取 PDF 中的表格,并將數(shù)據保存為 CSV、Excel 等常用格式

在數(shù)據分析工作中，我們經常遇到需要從 PDF 文件中提取表格數(shù)據的場景。然而，直接復制 PDF 中的表格往往會導致格式混亂、數(shù)據錯位。本文將手把手教你使用 Spire.PDF for Python 庫，快速準確地識別并提取 PDF 中的表格，并將數(shù)據保存為 CSV、Excel 等常用格式。

一、準備工作：安裝必要的庫

首先需要安裝 Spire.PDF 庫。打開終端或命令行，執(zhí)行以下命令：

pip install Spire.PDF

如果你計劃將提取的數(shù)據導出為 Excel 格式，建議同時安裝 pandas 和 openpyxl：

pip install pandas openpyxl

二、核心代碼：提取 PDF 中的表格

下面的代碼演示了如何從 PDF 的第一頁提取表格，并逐行打印單元格內容：

from spire.pdf import PdfDocument, PdfTableExtractor

# 1. 加載 PDF 文件
pdf = PdfDocument()
pdf.LoadFromFile("sample.pdf")

# 2. 創(chuàng)建表格提取器
table_extractor = PdfTableExtractor(pdf)

# 3. 提取第一頁的所有表格
tables = table_extractor.ExtractTable(0)

# 4. 遍歷每個表格
for table in tables:
    row_count = table.GetRowCount()
    column_count = table.GetColumnCount()

    # 逐行提取單元格內容
    for i in range(row_count):
        row_data = []
        for j in range(column_count):
            cell_text = table.GetText(i, j)
            row_data.append(cell_text)
        print(row_data)

代碼說明

方法	作用
`LoadFromFile()`	加載指定路徑的 PDF 文件
`PdfTableExtractor()`	創(chuàng)建表格提取器實例
`ExtractTable(頁碼)`	提取指定頁面的所有表格，頁碼從 0 開始
`GetRowCount()` / `GetColumnCount()`	獲取表格的行數(shù)和列數(shù)
`GetText(行, 列)`	獲取指定單元格的文本內容

三、進階處理：多頁 PDF 批量提取

如果 PDF 包含多個頁面，可以使用循環(huán)批量提取所有表格：

from spire.pdf import PdfDocument, PdfTableExtractor

pdf = PdfDocument()
pdf.LoadFromFile("multi_page_report.pdf")

# 遍歷所有頁面
for page_index in range(pdf.Pages.Count):
    extractor = PdfTableExtractor(pdf)
    tables = extractor.ExtractTable(page_index)

    print(f"\n=== 第 {page_index + 1} 頁 共找到 {len(tables)} 個表格 ===")

    for t, table in enumerate(tables):
        print(f"--- 表格 {t+1} ---")
        rows = table.GetRowCount()
        cols = table.GetColumnCount()

        for i in range(rows):
            row = [table.GetText(i, j) for j in range(cols)]
            print(row)

四、導出數(shù)據：保存為 CSV 或 Excel 文件

提取的表格數(shù)據可以方便地轉換為其他格式。以下示例將數(shù)據保存為 CSV 文件：

import csv
from spire.pdf import PdfDocument, PdfTableExtractor

pdf = PdfDocument()
pdf.LoadFromFile("sample.pdf")

extractor = PdfTableExtractor(pdf)
tables = extractor.ExtractTable(0)

if tables:
    table = tables[0]
    rows = table.GetRowCount()
    cols = table.GetColumnCount()

    # 收集所有數(shù)據
    data = []
    for i in range(rows):
        row_data = [table.GetText(i, j) for j in range(cols)]
        data.append(row_data)

    # 寫入 CSV 文件
    with open("output.csv", "w", newline="", encoding="utf-8") as f:
        writer = csv.writer(f)
        writer.writerows(data)

    print(f"成功導出 {rows} 行 × {cols} 列 數(shù)據到 output.csv")

若想導出為 Excel 文件，可借助 pandas：

import pandas as pd
# 假設 data 是上面提取的二維列表
df = pd.DataFrame(data[1:], columns=data[0])  # 首行作為列標題
df.to_excel("output.xlsx", index=False)
print("數(shù)據已保存為 output.xlsx")

五、常見問題與技巧

表格識別不完整？ 檢查 PDF 中的表格是否有清晰的邊框，掃描件或圖片型 PDF 需要使用 OCR 技術，Spire.PDF 主要適用于文本型 PDF。
合并單元格處理 ：Spire.PDF 會自動處理合并單元格，GetText() 會返回合并區(qū)域左上角單元格的內容，其他位置返回空字符串。
性能優(yōu)化 ：處理大型 PDF 時，建議逐頁提取并即時保存，避免一次性加載全部表格到內存。

通過以上步驟，你已經掌握了使用 Python 提取 PDF 表格的完整流程。這個方案可以輕松集成到自動化數(shù)據處理流水線中，大幅提升工作效率。

到此這篇關于使用Python實現(xiàn)快速提取PDF中的表格的文章就介紹到這了,更多相關Python提取PDF表格內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: