为什么选择pdfplumber提取PDF表格？

PDF文档中的表格数据提取是数据处理中的常见需求，但PDF本身不是为数据提取设计的格式。Python的pdfplumber库提供了简单而强大的工具来解析PDF文档并准确提取表格数据。

pdfplumber的优势：

• 精准识别表格结构和内容
• 保留表格的原始布局和格式
• 支持复杂表格（包含合并单元格）
• 输出为易于处理的格式（列表、Pandas DataFrame）
• 开源免费且持续更新

安装pdfplumber

在开始之前，确保已安装Python（建议3.6+版本），然后使用pip安装pdfplumber：

pip install pdfplumber

安装可选依赖（用于更好的表格支持）：

pip install pdfplumber[table]

基础使用：提取PDF表格

以下是一个简单的示例，展示如何打开PDF文件并提取所有表格：

import pdfplumber

# 打开PDF文件
with pdfplumber.open("example.pdf") as pdf:
    # 遍历每一页
    for page in pdf.pages:
        # 提取当前页的所有表格
        tables = page.extract_tables()
        
        # 遍历当前页的每个表格
        for table in tables:
            # 遍历表格的每一行
            for row in table:
                # 打印行数据
                print(row)

提取表格并转换为Pandas DataFrame

结合Pandas可以更方便地处理表格数据：

import pdfplumber
import pandas as pd
from pandas import DataFrame

all_tables = []

with pdfplumber.open("financial_report.pdf") as pdf:
    for i, page in enumerate(pdf.pages):
        # 提取当前页的表格
        tables = page.extract_tables()
        
        for table in tables:
            # 将表格转换为DataFrame
            df = pd.DataFrame(table[1:], columns=table[0])
            # 添加页码信息
            df['page'] = i+1
            all_tables.append(df)

# 合并所有表格
combined_df = pd.concat(all_tables, ignore_index=True)

# 保存为Excel文件
combined_df.to_excel("extracted_tables.xlsx", index=False)

高级表格处理技巧

table_settings = {
    "vertical_strategy": "lines", 
    "horizontal_strategy": "lines",
    "explicit_vertical_lines": [],
    "explicit_horizontal_lines": [],
    "snap_tolerance": 3
}

with pdfplumber.open("complex_table.pdf") as pdf:
    page = pdf.pages[0]
    table = page.extract_table(table_settings)

with pdfplumber.open("document.pdf") as pdf:
    page = pdf.pages[0]
    
    # 定义要提取的区域 (x0, top, x1, bottom)
    bbox = (50, 150, page.width-50, 400)
    
    # 裁剪页面到指定区域
    cropped_page = page.crop(bbox)
    
    # 从裁剪区域提取表格
    table = cropped_page.extract_table()

def extract_multi_page_table(pdf_path, start_page, end_page):
    full_table = []
    
    with pdfplumber.open(pdf_path) as pdf:
        for i in range(start_page-1, end_page):
            page = pdf.pages[i]
            table = page.extract_tables()[0]  # 假设每页只有一个表格
            
            if i == start_page-1:
                # 第一页，包含标题
                full_table.extend(table)
            else:
                # 后续页面，跳过标题行
                full_table.extend(table[1:])
                
    return full_table

# 提取第5页到第8页的连续表格
large_table = extract_multi_page_table("report.pdf", 5, 8)

常见问题及解决方案

开始提取PDF表格数据！

pdfplumber为Python用户提供了强大而灵活的PDF表格提取能力。通过本教程，您已掌握从基础到高级的表格提取技巧，能够应对各种复杂PDF表格场景。

立即尝试使用pdfplumber，让PDF数据提取变得简单高效！