在數(shù)據(jù)處理與辦公自動(dòng)化場(chǎng)景中，PDF 表格因格式穩(wěn)定被廣泛使用，但不可直接編輯的特性，給數(shù)據(jù)統(tǒng)計(jì)、分析和二次加工帶來(lái)諸多不便。手動(dòng)復(fù)制粘貼不僅效率低下，還容易出現(xiàn)數(shù)據(jù)錯(cuò)位、遺漏等問(wèn)題。

本文將分享一種高效的解決方案—基于Python結(jié)合Spire系列庫(kù)，實(shí)現(xiàn) PDF 表格數(shù)據(jù)的精準(zhǔn)提取，并分別導(dǎo)出為 TXT 文本和 Excel 表格格式。該方案無(wú)需復(fù)雜的正則表達(dá)式或OCR識(shí)別，代碼簡(jiǎn)潔易上手，適合批量處理各類PDF表格文件。

一、準(zhǔn)備工作：安裝所需 Python 庫(kù)

本次實(shí)戰(zhàn)需要兩個(gè)核心庫(kù)，分別負(fù)責(zé) PDF 表格提取和 Excel 文件生成，功能分工明確：

• Spire.PDF for Python：一款輕量級(jí) PDF 處理庫(kù)，支持直接識(shí)別 PDF 中的表格結(jié)構(gòu)，精準(zhǔn)提取單元格數(shù)據(jù)，無(wú)需依賴額外的 OCR 工具。
• Spire.XLS for Python：專業(yè)的 Excel 操作庫(kù)，可實(shí)現(xiàn) Excel 文件的創(chuàng)建、數(shù)據(jù)寫入、格式優(yōu)化等功能，完美適配各類 Excel 版本。

打開(kāi)命令行終端，執(zhí)行以下pip命令完成安裝（建議在虛擬環(huán)境中操作，避免版本沖突）：

pip install Spire.PDF
pip install Spire.XLS

二、實(shí)戰(zhàn)1：提取 PDF 表格數(shù)據(jù)到 TXT 文件

TXT 文件具有體積小、兼容性強(qiáng)的特點(diǎn)，適合快速查看和傳輸數(shù)據(jù)。使用 Spire.PDF for Python 提取數(shù)據(jù)并寫入 TXT 的核心邏輯，是按頁(yè)面→表格→行→列的層級(jí)遍歷 PDF 內(nèi)容，最終將數(shù)據(jù)格式化輸出。

實(shí)現(xiàn)步驟拆解

• 加載 PDF 文檔：通過(guò) PdfDocument 類的 LoadFromFile() 方法讀取目標(biāo) PDF 文件，支持相對(duì)路徑和絕對(duì)路徑。
• 初始化提取工具：創(chuàng)建 PdfTableExtractor 對(duì)象，用于識(shí)別并提取 PDF 頁(yè)面中的表格數(shù)據(jù)。
• 層級(jí)遍歷數(shù)據(jù)：依次遍歷 PDF 的每一頁(yè)、每頁(yè)中的每個(gè)表格、表格的每一行和每一列，通過(guò) GetText(rowIndex, columnIndex) 方法獲取單元格文本。
• 寫入 TXT 文件：將提取的數(shù)據(jù)按“列用空格分隔、行用換行分隔”的格式整理，寫入TXT文件并指定 UTF-8 編碼，避免中文亂碼。

完整代碼示例（含詳細(xì)注釋）

from spire.pdf.common import *
from spire.pdf import *

# 1. 加載PDF文檔，替換為你的目標(biāo)PDF文件路徑
pdf_doc = PdfDocument()
pdf_doc.LoadFromFile("表格.pdf")

# 2. 創(chuàng)建列表存儲(chǔ)提取的數(shù)據(jù)，便于后續(xù)拼接
data_list = []

# 3. 初始化表格提取器
table_extractor = PdfTableExtractor(pdf_doc)

# 4. 遍歷PDF的每一頁(yè)
for page_idx in range(pdf_doc.Pages.Count):
    # 提取當(dāng)前頁(yè)面的所有表格
    tables = table_extractor.ExtractTable(page_idx)
    # 判斷當(dāng)前頁(yè)面是否存在表格，避免空指針異常
    if tables is not None and len(tables) > 0:
        # 遍歷每個(gè)表格
        for table in tables:
            row_num = table.GetRowCount()  # 獲取表格總行數(shù)
            col_num = table.GetColumnCount()  # 獲取表格總列數(shù)
            # 遍歷表格的每一行
            for i in range(row_num):
                row_data = []
                # 遍歷該行的每一列
                for j in range(col_num):
                    # 獲取單元格文本
                    cell_text = table.GetText(i, j)
                    row_data.append(cell_text)
                # 用空格分隔列數(shù)據(jù)，拼接成一行
                data_list.append(" ".join(row_data))
            # 不同表格之間添加空行，區(qū)分?jǐn)?shù)據(jù)邊界
            data_list.append("")

# 5. 將數(shù)據(jù)寫入TXT文件
with open("提取PDF表格.txt", "w", encoding="utf-8") as f:
    f.write("\n".join(data_list))

# 6. 釋放資源，避免內(nèi)存占用
pdf_doc.Close()

三、實(shí)戰(zhàn)2：提取 PDF 表格數(shù)據(jù)到 Excel 文件

Excel 文件支持?jǐn)?shù)據(jù)篩選、公式計(jì)算、圖表生成等高級(jí)功能，是數(shù)據(jù)分析的首選格式。本示例需要結(jié)合 Spire.PDF for Python 和 Spire.XLS for Python，在提取數(shù)據(jù)的基礎(chǔ)上，實(shí)現(xiàn) Excel 文件的創(chuàng)建和數(shù)據(jù)寫入。

實(shí)現(xiàn)步驟拆解

數(shù)據(jù)提取的步驟與 TXT 示例一致，額外增加 Excel 文件操作的3個(gè)核心步驟：

• 創(chuàng)建Excel工作簿：實(shí)例化 Workbook 對(duì)象，清空默認(rèn)工作表，為后續(xù)添加新表格做準(zhǔn)備。
• 數(shù)據(jù)寫入單元格：Excel 的行列索引從1開(kāi)始（與Python的0索引不同），因此需要將表格的行、列索引分別+1，確保數(shù)據(jù)寫入正確位置。
• 優(yōu)化表格格式：調(diào)用 AutoFitColumns() 方法設(shè)置列寬自適應(yīng)內(nèi)容，提升表格可讀性，最后保存為指定版本的Excel文件。

完整代碼示例（含詳細(xì)注釋）

from spire.pdf import *
from spire.xls import *

# 1. 加載PDF文檔
pdf_doc = PdfDocument()
pdf_doc.LoadFromFile("表格.pdf")

# 2. 創(chuàng)建Excel工作簿并清空默認(rèn)工作表
excel_workbook = Workbook()
excel_workbook.Worksheets.Clear()

# 3. 初始化表格提取器
table_extractor = PdfTableExtractor(pdf_doc)

# 4. 工作表編號(hào)，用于命名新工作表
sheet_index = 1

# 5. 遍歷PDF的每一頁(yè)
for page_idx in range(pdf_doc.Pages.Count):
    tables = table_extractor.ExtractTable(page_idx)
    if tables is not None and len(tables) > 0:
        # 遍歷當(dāng)前頁(yè)面的每個(gè)表格
        for table in tables:
            # 創(chuàng)建新工作表，命名為“sheet+編號(hào)”
            worksheet = excel_workbook.Worksheets.Add(f"sheet{sheet_index}")
            row_num = table.GetRowCount()
            col_num = table.GetColumnCount()
            # 遍歷表格單元格
            for i in range(row_num):
                for j in range(col_num):
                    cell_text = table.GetText(i, j)
                    # Excel索引從1開(kāi)始，需將i和j分別+1
                    worksheet.Range[i + 1, j + 1].Value = cell_text
            # 設(shè)置列寬自適應(yīng)內(nèi)容，優(yōu)化顯示效果
            worksheet.AllocatedRange.AutoFitColumns()
            # 工作表編號(hào)遞增
            sheet_index += 1

# 6. 保存Excel文件，指定保存路徑和Excel版本
excel_workbook.SaveToFile("導(dǎo)出PDF表格到Excel.xlsx", ExcelVersion.Version2016)

# 7. 釋放資源
pdf_doc.Close()
excel_workbook.Dispose()

四、關(guān)鍵注意事項(xiàng)

文件路徑問(wèn)題：若運(yùn)行代碼時(shí)提示“文件不存在”，請(qǐng)檢查 PDF 文件路徑是否正確，建議使用絕對(duì)路徑（如 C:/data/表格.pdf）避免路徑錯(cuò)誤。

中文亂碼處理：寫入 TXT 文件時(shí)，務(wù)必指定 encoding="utf-8"；導(dǎo)出 Excel 文件時(shí)，Spire.XLS for Python 默認(rèn)支持中文，無(wú)需額外配置。

資源釋放：使用 Close() 和 Dispose() 方法釋放 PDF 和 Excel 對(duì)象，避免長(zhǎng)時(shí)間運(yùn)行導(dǎo)致內(nèi)存泄漏。

五、總結(jié)

基于Spire系列庫(kù)，能夠快速實(shí)現(xiàn) PDF 表格數(shù)據(jù)的提取與格式轉(zhuǎn)換，相比傳統(tǒng)的手動(dòng)操作，效率提升數(shù)十倍。該方案適用于各類場(chǎng)景，如批量提取財(cái)務(wù)報(bào)表、科研數(shù)據(jù)、政務(wù)文件中的 PDF 表格，為數(shù)據(jù)自動(dòng)化處理提供了可靠的技術(shù)支撐。

到此這篇關(guān)于Python提取PDF表格數(shù)據(jù)并導(dǎo)出為TXT、Excel 格式的文章就介紹到這了,更多相關(guān)Python提取PDF表格數(shù)據(jù)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論