Python把PDF表格完整轉換成Excel的小白教程
很多同學第一次接觸 PDF 數(shù)據(jù)處理時,都會遇到一個問題:
PDF 里的表格能看,不能算,不能統(tǒng)計。
比如:
- 招聘成績公示
- 學校成績單
- 名單匯總表
本文將通過一個完整可運行的 Python 示例,一步一步教你:
如何把一個多頁 PDF 表格,穩(wěn)定地轉換成 Excel 文件
一、整體思路先說明(很重要)
在正式寫代碼前,你一定要明白一件事:
PDF ≠ Excel
- Excel:天然是“行 + 列”
- PDF:只是“排好版的頁面”
所以我們要做的是:
1. 從 PDF 中提取“表格結構” 2. 把每一行數(shù)據(jù)收集起來 3. 修復列數(shù)不一致的問題 4. 再導出為 Excel
二、完整代碼(先給結論)
下面是完整、可直接運行的代碼,后面我會逐步拆解講解。
import pdfplumber
import pandas as pd
import os
def pdf_to_excel(pdf_path, excel_path):
all_rows = []
# 打開 PDF
with pdfplumber.open(pdf_path) as pdf:
print(f"PDF共有 {len(pdf.pages)} 頁")
# 遍歷每一頁
for page_num, page in enumerate(pdf.pages, start=1):
print(f"正在處理第 {page_num} 頁...")
tables = page.extract_tables()
if not tables:
continue
for table in tables:
for row in table:
# 跳過全空行
if row and any(cell and cell.strip() for cell in row if isinstance(cell, str)):
all_rows.append(row)
if not all_rows:
print(" 未提取到任何表格數(shù)據(jù)")
return
# 計算最大列數(shù)
max_cols = max(len(row) for row in all_rows)
print(f"檢測到最大列數(shù):{max_cols}")
# 統(tǒng)一所有行的列數(shù)
normalized_rows = []
for row in all_rows:
if len(row) < max_cols:
row = row + [None] * (max_cols - len(row))
elif len(row) > max_cols:
row = row[:max_cols]
normalized_rows.append(row)
# 第一行作為表頭
header = normalized_rows[0]
data = normalized_rows[1:]
# 去除重復表頭行
clean_data = []
for row in data:
if row != header:
clean_data.append(row)
# 構建 DataFrame
df = pd.DataFrame(clean_data, columns=header)
# 清理空行、空列
df = df.dropna(how='all').dropna(axis=1, how='all')
# 導出 Excel
df.to_excel(excel_path, index=False, engine='openpyxl')
print("\n 轉換完成")
print(f"Excel 文件路徑:{excel_path}")
print(f"數(shù)據(jù)行數(shù):{len(df)}")
print(f"列數(shù):{len(df.columns)}")
print("列名:", list(df.columns))
print("\n前 5 行數(shù)據(jù)預覽:")
print(df.head())
if __name__ == "__main__":
pdf_file = "Example.pdf"
excel_file = "Result.xlsx"
if not os.path.exists(pdf_file):
print(f"找不到 PDF 文件:{pdf_file}")
else:
pdf_to_excel(pdf_file, excel_file)三、逐步解析代碼(小白重點)
1、導入庫
import pdfplumber import pandas as pd import os
作用說明:
| 庫 | 作用 |
|---|---|
| pdfplumber | 讀取 PDF、提取表格 |
| pandas | 處理表格數(shù)據(jù) |
| os | 判斷文件是否存在 |
2、定義核心函數(shù)
def pdf_to_excel(pdf_path, excel_path):
這個函數(shù)只做一件事:
把一個 PDF 表格文件,轉換成 Excel
3、收集所有表格行
all_rows = []
為什么要這樣做?
因為 PDF 是一頁一頁的,
但 Excel 是一個整體表格。
4、打開 PDF 并逐頁處理
with pdfplumber.open(pdf_path) as pdf:
pdf.pages:PDF 的每一頁extract_tables():提取當前頁中的表格
5、跳過空行(非常關鍵)
if row and any(cell and cell.strip() for cell in row if isinstance(cell, str)):
作用:
- 防止空行進入 Excel
- 防止生成一堆沒用的數(shù)據(jù)
6、為什么要“統(tǒng)一列數(shù)”(核心思想)
max_cols = max(len(row) for row in all_rows)
現(xiàn)實中的 PDF 表格:
- 有的頁 8 列
- 有的頁 9 列
- 有的頁 10 列
如果不統(tǒng)一,pandas 會直接報錯
所以我們要:
不足的補 None,多的截斷
7、第一行作為表頭
header = normalized_rows[0]
PDF 表格通常每一頁都有表頭,
我們只保留第一行作為最終列名。
8、去掉重復表頭行
if row != header:
clean_data.append(row)
否則 Excel 會變成:
職位代碼 | 職位名稱 | ... 職位代碼 | 職位名稱 | ... 職位代碼 | 職位名稱 | ...
9、導出 Excel
df.to_excel(excel_path, index=False, engine='openpyxl')
這一步就是真正生成 Excel 文件。
四、示例 PDF 模板(示意)
假設你的 PDF 表格內容長這樣(每一頁類似):
| 職位代碼 | 職位名稱 | 準考證號 | 考場號 | 座位號 | 成績 |
|---|---|---|---|---|---|
| 00001 | A001 | A00010201 | 2 | 1 | 78.25 |
| 00001 | A001 | A00010101 | 1 | 1 | 82.50 |
五、預期 Excel 處理結果
最終生成的 Excel 表格應為:
| 職位代碼 | 職位名稱 | 準考證號 | 考場號 | 座位號 | 成績 |
|---|---|---|---|---|---|
| 00001 | A001 | A00010201 | 2 | 1 | 78.25 |
| 00001 | A001 | A00010101 | 1 | 1 | 82.50 |
| … | … | … | … | … | … |
一人一行,可直接統(tǒng)計、排序、篩選
六、這個程序能做什么 / 不能做什么
能處理
- 多頁 PDF 表格
- 列數(shù)不一致
- 招聘、公示、成績類 PDF
不能處理
- 掃描版 PDF(圖片)
- 完全靠空格排版的“假表格”
七、總結一句話
PDF → Excel 的難點不在“讀取”,而在“結構修復”。
這份代碼已經(jīng)解決了:
- 多頁
- 表頭重復
- 列數(shù)不一致
以上就是Python把PDF表格完整轉換成Excel的小白教程的詳細內容,更多關于Python PDF表格轉成Excel的資料請關注腳本之家其它相關文章!
相關文章
Python利用字典和列表實現(xiàn)學生信息管理系統(tǒng)
這篇文章主要為大家詳細介紹了Python如何利用字典和列表實現(xiàn)一個簡易的學生信息管理系統(tǒng),文中詳細注釋,方便理解,需要的可以參考一下2022-06-06
Mac PyCharm中的.gitignore 安裝設置教程
這篇文章主要介紹了Mac PyCharm中的.gitignore 安裝設置教程,本文通過圖文并茂的形式給大家介紹的非常詳細,對大家的學習或工作具有一定的參考借鑒價值,需要的朋友可以參考下2020-04-04

