快捷導(dǎo)航

使用Python實(shí)現(xiàn)快速提取PDF中的表格

更新時(shí)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(jù)分析工作中,我們經(jīng)常遇到需要從 PDF 文件中提取表格數(shù)據(jù)的場(chǎng)景,本文將手把手教你使用?Spire.PDF for Python?庫(kù),快速準(zhǔn)確地識(shí)別并提取 PDF 中的表格,并將數(shù)據(jù)保存為 CSV、Excel 等常用格式

在數(shù)據(jù)分析工作中，我們經(jīng)常遇到需要從 PDF 文件中提取表格數(shù)據(jù)的場(chǎng)景。然而，直接復(fù)制 PDF 中的表格往往會(huì)導(dǎo)致格式混亂、數(shù)據(jù)錯(cuò)位。本文將手把手教你使用 Spire.PDF for Python 庫(kù)，快速準(zhǔn)確地識(shí)別并提取 PDF 中的表格，并將數(shù)據(jù)保存為 CSV、Excel 等常用格式。

一、準(zhǔn)備工作：安裝必要的庫(kù)

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

pip install Spire.PDF

如果你計(jì)劃將提取的數(shù)據(jù)導(dǎo)出為 Excel 格式，建議同時(shí)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(yè)提取表格，并逐行打印單元格內(nèi)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(yè)的所有表格
tables = table_extractor.ExtractTable(0)

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

    # 逐行提取單元格內(nèi)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(shuō)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(shí)例
`ExtractTable(頁(yè)碼)`	提取指定頁(yè)面的所有表格，頁(yè)碼從 0 開(kāi)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(nèi)容

三、進(jìn)階處理：多頁(yè) PDF 批量提取

如果 PDF 包含多個(gè)頁(yè)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(yè)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(yè) 共找到 {len(tables)} 個(gè)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(dǎo)出數(shù)據(jù)：保存為 CSV 或 Excel 文件

提取的表格數(shù)據(jù)可以方便地轉(zhuǎn)換為其他格式。以下示例將數(shù)據(jù)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(jù)
    data = []
    for i in range(rows):
        row_data = [table.GetText(i, j) for j in range(cols)]
        data.append(row_data)

    # 寫(xiě)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(dǎo)出 {rows} 行 × {cols} 列 數(shù)據(jù)到 output.csv")

若想導(dǎo)出為 Excel 文件，可借助 pandas：

import pandas as pd
# 假設(shè) 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(biāo)題
df.to_excel("output.xlsx", index=False)
print("數(shù)據(jù)已保存為 output.xlsx")

五、常見(jiàn)問(wèn)題與技巧

表格識(shí)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(shù)，Spire.PDF 主要適用于文本型 PDF。
合并單元格處理 ：Spire.PDF 會(huì)自動(dòng)處理合并單元格，GetText() 會(huì)返回合并區(qū)域左上角單元格的內(nèi)容，其他位置返回空字符串。
性能優(yōu)化 ：處理大型 PDF 時(shí)，建議逐頁(yè)提取并即時(shí)保存，避免一次性加載全部表格到內(nèi)存。

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

到此這篇關(guān)于使用Python實(shí)現(xiàn)快速提取PDF中的表格的文章就介紹到這了,更多相關(guān)Python提取PDF表格內(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！

您可能感興趣的文章: