PDF 格式因其版式固定性而廣泛用于文檔交換，但也導(dǎo)致結(jié)構(gòu)化數(shù)據(jù)（如表格）難以直接抽取。盡管存在多種解析方案（如基于文本坐標(biāo)啟發(fā)式或 OCR），但對于具有明確邊框和單元格邊界的表格，專用表格提取器能提供更高的準(zhǔn)確度。本文將介紹如何使用免費(fèi)庫 Free Spire.PDF for Python 解析 PDF 表格，并結(jié)合 Python 內(nèi)置 csv 標(biāo)準(zhǔn)庫完成數(shù)據(jù)導(dǎo)出。

一、環(huán)境準(zhǔn)備

1. 依賴庫安裝

本次實(shí)現(xiàn)依賴 PDF 解析組件與 Python 原生庫，執(zhí)行以下命令安裝免費(fèi)版 PDF 解析組件：

pip install Spire.Pdf.Free

2. 技術(shù)說明

• 核心依賴：spire.pdf.free 負(fù)責(zé)識別、提取 PDF 中的表格結(jié)構(gòu)與單元格數(shù)據(jù)；
• 文件導(dǎo)出：使用 Python 內(nèi)置 csv、os 標(biāo)準(zhǔn)庫完成目錄創(chuàng)建、CSV 寫入，無需額外第三方數(shù)據(jù)處理庫；
• 適用場景：支持單頁/多頁 PDF、單頁多表格場景，可自動按頁面+表格序號拆分輸出文件；
• 兼容性：導(dǎo)出 UTF-8 編碼 CSV，可直接用 Excel、WPS、Pandas 等工具讀取。

二、核心實(shí)現(xiàn)思路

1. 初始化 PDF 文檔對象，加載本地 PDF 文件；
2. 創(chuàng)建表格提取器，綁定已加載的 PDF 文檔；
3. 遍歷 PDF 所有頁面，逐頁提取當(dāng)前頁面內(nèi)的全部表格；
4. 針對每個表格，逐行、逐列讀取單元格文本，并做基礎(chǔ)文本清洗；
5. 自動創(chuàng)建輸出目錄，將單張表格數(shù)據(jù)寫入獨(dú)立 CSV 文件，文件按頁面、表格編號命名；
6. 執(zhí)行資源釋放操作，釋放 PDF 文檔占用的內(nèi)存與文件流。

三、完整代碼實(shí)現(xiàn)

該示例完整還原逐頁、逐表提取邏輯，自動創(chuàng)建輸出目錄，每個表格單獨(dú)生成 CSV 文件，附帶文本清洗邏輯：

from spire.pdf import PdfDocument, PdfTableExtractor
import csv
import os

# 初始化PDF文檔對象并加載文件
pdf = PdfDocument()
pdf.LoadFromFile("Sample.pdf")

# 創(chuàng)建PDF表格提取器
extractor = PdfTableExtractor(pdf)

# 定義輸出目錄，目錄不存在則自動創(chuàng)建
output_root = "Tables"
os.makedirs(output_root, exist_ok=True)

# 遍歷PDF每一頁
for page_index in range(pdf.Pages.Count):
    # 提取當(dāng)前頁面下所有表格
    tables = extractor.ExtractTable(page_index)
    
    # 遍歷當(dāng)前頁面中的每一個表格
    for table_index, table in enumerate(tables):
        table_data = []
        
        # 讀取表格所有行
        row_total = table.GetRowCount()
        for row in range(row_total):
            row_data = []
            # 讀取當(dāng)前行所有列
            col_total = table.GetColumnCount()
            for col in range(col_total):
                # 提取單元格文本，去除換行符、首尾空白字符
                cell_text = table.GetText(row, col).replace("\n", "").strip()
                row_data.append(cell_text)
            table_data.append(row_data)
        
        # 拼接CSV文件路徑，按 頁面-表格 編號命名
        csv_name = f"Page{page_index + 1}-Table{table_index + 1}.csv"
        csv_path = os.path.join(output_root, csv_name)
        
        # 寫入CSV文件，指定UTF-8編碼，newline避免多余空行
        with open(csv_path, "w", newline="", encoding="utf-8") as csvfile:
            writer = csv.writer(csvfile)
            writer.writerows(table_data)
        print(f"已導(dǎo)出：{csv_path}")

# 釋放PDF文檔資源
pdf.Dispose()
print("所有表格導(dǎo)出完成")

四、代碼解析

4.1 核心類說明

• PdfDocument：PDF 文檔操作主類，LoadFromFile() 用于加載本地 PDF 文件，Pages.Count 獲取文檔總頁數(shù)，Dispose() 用于釋放文件流、內(nèi)存等資源，批量處理文件時必須調(diào)用，防止內(nèi)存堆積。
• PdfTableExtractor：專用表格提取器，依賴已加載的 PdfDocument 對象初始化；ExtractTable(page_index) 接收頁碼索引，返回當(dāng)前頁面內(nèi)所有表格對象集合。

4.2 表格數(shù)據(jù)讀取方法

• GetRowCount()：獲取當(dāng)前表格的總行數(shù)；
• GetColumnCount()：獲取當(dāng)前行的總列數(shù)；
• GetText(row, col)：根據(jù)行、列索引讀取單元格原始文本。

4.3 文本清洗邏輯

replace("\n", "").strip() 是實(shí)用的預(yù)處理邏輯：

• 去除單元格內(nèi)的換行符，避免 CSV 格式錯亂；
• 清除文本首尾空格、制表符，保證數(shù)據(jù)整潔。

4.4 CSV 寫入關(guān)鍵配置

• encoding="utf-8"：統(tǒng)一使用 UTF-8 編碼，從根源避免中文亂碼；
• newline=""：Python csv 庫專屬配置，禁止自動插入空行，保證 CSV 格式標(biāo)準(zhǔn)；
• os.makedirs(..., exist_ok=True)：自動創(chuàng)建多級目錄，exist_ok=True 表示目錄已存在時不拋出異常。

4.5 文件命名規(guī)則

文件采用 Page頁碼-Table表格序號.csv 命名，可直觀區(qū)分?jǐn)?shù)據(jù)來源，方便后續(xù)文件管理與溯源。

五、拓展應(yīng)用方向

批量處理多文件：結(jié)合 os.listdir() 遍歷指定文件夾，批量讀取目錄下所有 PDF，循環(huán)調(diào)用封裝函數(shù)實(shí)現(xiàn)全量表格導(dǎo)出。

數(shù)據(jù)二次加工：導(dǎo)出 CSV 后結(jié)合 pandas 庫，實(shí)現(xiàn)數(shù)據(jù)篩選、去重、統(tǒng)計(jì)、格式轉(zhuǎn)換等數(shù)據(jù)分析操作。

表頭單獨(dú)處理：識別表格第一行為表頭，寫入 CSV 時單獨(dú)指定表頭行，提升數(shù)據(jù)可讀性。

過濾空表格：在代碼中增加數(shù)據(jù)判空邏輯，跳過無有效內(nèi)容的空白表格，減少無效文件生成。

六、知識擴(kuò)展

要將PDF表格完美地轉(zhuǎn)換成CSV，關(guān)鍵是找到匹配的解析方法。目前，camelot-py、tabula-py和pdfplumber是解決這類需求最核心的三個Python庫，它們各有側(cè)重，也各有適用的場景。

根據(jù)你的PDF文件類型，選擇最適合的代碼并運(yùn)行即可。

1. camelot-py：最適合有邊框的表格

這種方法對有明確線條的表格提取效果最好，安裝簡單，但依賴于OpenCV：

pip install camelot-py[cv]

下面的代碼演示了最簡潔的用法，只需幾行就能提取表格并導(dǎo)出為CSV。

import camelot
# 讀取PDF并提取表格，flavor='lattice'適用于有邊框的表格
# 可以指定pages='all'來提取所有頁面
tables = camelot.read_pdf('your_table.pdf', pages='1-3', flavor='lattice')
# 將所有提取的表格導(dǎo)出為多個CSV文件（或一個ZIP壓縮包）
tables.export('output.csv', f='csv', compress=False)
# 查看第一個提取的表格
print(tables[0].df)
# 如果只想保存第一個表格
# tables[0].to_csv('single_table.csv')

2. pdfplumber：更通用和靈活

pdfplumber 在靈活性和易用性之間取得了很好的平衡，處理各種風(fēng)格的表格。

pip install pdfplumber

對于大多數(shù)情況，extract_table() 方法已經(jīng)足夠好用。但如果遇到樣式復(fù)雜的表格，extract_tables() 配合 table_settings 參數(shù)能幫你更好地控制提取邏輯。

import csv
import pdfplumber
with pdfplumber.open("your_table.pdf") as pdf:
    # 假設(shè)表格在第一頁
    page = pdf.pages[0]
    # 智能提取表格（自動檢測）
    # 如果效果不佳，可以嘗試指定table_settings參數(shù)
    # table_settings = {"vertical_strategy": "lines", "horizontal_strategy": "lines"}
    # table = page.extract_table(table_settings=table_settings)
    table = page.extract_table()
    if table:
        with open("output.csv", "w", newline='', encoding='utf-8') as f:
            writer = csv.writer(f)
            writer.writerows(table)

pdfplumber 也支持一次性提取頁面中的所有表格。

with pdfplumber.open("your_table.pdf") as pdf:
    page = pdf.pages[0]
    tables = page.extract_tables()
    for i, table in enumerate(tables):
        if table:
            with open(f"table_{i+1}.csv", "w", newline='', encoding='utf-8') as f:
                writer = csv.writer(f)
                writer.writerows(table)

3. tabula-py：快速且功能全面

tabula-py 是Java版Tabula的Python封裝。使用前需安裝Java 8+環(huán)境并將其添加到系統(tǒng)PATH環(huán)境變量中。

pip install tabula-py

它的API設(shè)計(jì)非常直接，一行命令就能完成PDF到CSV的轉(zhuǎn)換，對新手很友好。

import tabula
# 提取PDF中所有表格，并保存為CSV文件
tabula.convert_into("your_table.pdf", "output.csv", output_format="csv", pages='all')
# 提取表格到DataFrame列表，以便進(jìn)行數(shù)據(jù)處理
# df_list = tabula.read_pdf("your_table.pdf", pages='all')
# print(df_list[0])  # 打印第一個表格

七、總結(jié)

以上 Python 示例演示了如何輕松實(shí)現(xiàn) PDF 表格提取并導(dǎo)出為 CSV 文件。通過逐頁掃描、單元格清理和標(biāo)準(zhǔn) CSV 寫入，可構(gòu)建穩(wěn)定可靠的數(shù)據(jù)抽取流程。在實(shí)際集成中，開發(fā)者應(yīng)當(dāng)關(guān)注表格邊框依賴、頁面限制以及資源釋放等關(guān)鍵因素，并根據(jù)文檔特性調(diào)整文本清洗規(guī)則。該方法不依賴任何中間格式或額外解析庫，代碼結(jié)構(gòu)清晰，適用于自動化數(shù)據(jù)處理管道。

以上就是Python實(shí)現(xiàn)PDF表格轉(zhuǎn)CSV的完整方法與代碼解析的詳細(xì)內(nèi)容，更多關(guān)于Python PDF表格轉(zhuǎn)CSV的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論