用Python提取PDF中的表格最值得先想清楚的不是代码怎么写而是这个PDF里的表格到底是怎么存在的。文本型PDF可以直接抽取坐标和字符图片型PDF则必须先走OCR有边框的表格和无边框表格可靠工具也不一样。这篇文章我会按实际落地顺序把PDF判断、库选型、最小代码、批量处理、常见报错和最终校验全部拆开。适合刚入门的人也适合已经在跑脚本但结果不稳定的人。1. 提取前先判断PDF类型和表格结构1.1 文本型PDF和扫描件PDF是两种完全不同的处理方式打开PDF后先用鼠标尝试选中一段文字。如果文字可以复制这就是文本型PDFPython库可以直接读取页面上的字符位置然后根据坐标恢复表格。如果整页看起来像图片光标选中不了文字这就是扫描件或图片型PDF直接提取肯定没有内容必须先做OCR把图片里的文字识别出来才可能继续还原表格。这个判断直接决定工具选型。pdfplumber、camelot、tabula-py都只擅长处理文本型PDF。遇到扫描件我一般会先用OCR工具把整页转成带坐标的文字然后再进入表格抽取流程。OCR会增加时间和识别误差所以不要一拿到PDF就全量OCR先判断是不是非走这条路不可。1.2 表格有没有线框决定用哪个抽取策略文本型PDF里的表格也分两种。一种有线框横线竖线清晰可见camelot的lattice模式会先检测线条再用线条切分单元格这种情况下准确率比较高。另一种没有线框只有文字对齐很多财务系统导出的PDF就是这样的camelot的lattice模式可能什么都拿不到需要改用stream模式或直接用pdfplumber的坐标定位能力。实测时可以先在PDF阅读器里放大页面看表格是否带完整竖线。带清晰线框的优先考虑camelot不带线框的优先考虑pdfplumber。如果表格只有外框没有内线camelot容易把整张表识别成一个大单元格pdfplumber对这种边界残缺的容忍度更高但列对齐不稳定时也需要手工调参数。1.3 合并单元格、跨页表头、多级表头都要提前做记录表格的复杂程度不只是线框还包括表头是否重复、单元格是否跨行跨列。比如季度报表表头经常有合并单元格提取后容易变成NaN或错位。跨页表格更常见第一页有表头第二页只有数据行如果每页单独提取第二页的表头就丢了需要后续拼接。建议在写代码前先用PDF阅读器浏览两遍记录三个信息表格在第几页、有没有跨页、表头区域大概在哪几行。这个动作看起来有点浪费时间其实能省掉大量调试成本。因为表格抽取不像普通文本读取行和列一旦错位后面所有数据都可能跟着错最好在进入代码前先了解大致结构。2. 三个主流Python库怎么选适配什么场景2.1 pdfplumber多数文本型PDF的首选pdfplumber基于pdfminer.six可以拿到页面上每个字符的坐标也能检测表格线再根据字符和线条的相对位置重建表格。它对没有完整线框的表格有一定容忍度输出是列表也能方便地转成DataFrame还能批量处理多页。优点是很灵活既能提取表格也能单独取字符串、矩形、线条日常项目基本够用。缺点是在非常复杂的表格上比如嵌套表格、跨行跨列严重的表格可能产生大量空值或错位需要后期清洗。但作为入门工具pdfplumber比camelot更容易上手依赖少安装后基本就能用。我建议第一次做PDF表格提取时先用它跑通流程。2.2 camelot有线框表格的准确率更稳camelot有两种模式lattice模式识别线条边界适合有线框表格stream模式识别文字之间的空白适合没有线框的表格。lattice模式在结构规整、线条清晰的PDF上表现比较稳定还能通过参数控制表格区域和表格大小。不过camelot安装依赖比pdfplumber多Windows上需要额外安装Ghostscript有时还要处理opencv版本冲突。如果只是在三五个文件上做验证可以先不碰camelot。但当表格复杂、线框完整、需要稳定批量生产时camelot值得投入时间配置。还有一点要注意camelot对Python版本有要求如果你的环境是Python 3.10以上安装前先确认当前camelot版本是否支持避免装完import时就报错。2.3 tabula-py适合已有Java环境和Tabula用户tabula-py是Tabula-java的Python封装所以需要Java 8及以上环境。它的优势是调用成熟read_pdf可以直接把结果转成DataFrame也支持批量页面。如果你的电脑已经装了Java那么tabula-py会很方便。如果没装Java我建议先选pdfplumber因为为一个小任务去专门配置Java环境有点重。另外tabula-py对无框表格的识别也依赖页面上的坐标和空白并不比pdfplumber更有优势。2.4 三个库的快速对比库安装复杂度适合场景主要限制pdfplumber低文本型PDF、无边框或半边框表格复杂合并单元格可能错位camelot较高有线框、结构规整的表格需要Ghostscript线框不完整时影响大tabula-py中已有Java环境需要快速转DataFrame依赖Java对复杂表格能力有限选择时不要只看某一列要结合自己的PDF情况。从来没有任何一个库能处理所有表格所以我会在开始前用一小段脚本在同一页上分别跑一下看谁输出的结构更接近原表。这个过程虽然会多花几分钟但能避免在错误方向上调试很久。3. 手把手跑通第一张表格提取3.1 安装依赖和环境准备我建议先创建一个独立的Python虚拟环境避免把系统Python环境搞乱。这里以Windows和macOS常见的命令行方式为例python -m venv pdf_env # Windows激活 pdf_env\Scripts\activate # macOS/Linux激活 source pdf_env/bin/activate激活后安装pdfplumber和pandas后续导出Excel时再装openpyxl。pip install pdfplumber pandas openpyxl为什么先装pdfplumber因为它最简单先把完整流程跑通再根据实际问题换库。不建议一开始就同时安装camelot和tabula-py依赖越多后续排查越复杂。3.2 最小示例提取单页表格并输出DataFrame假设有一个名为report.pdf的文件表格在第2页现在把它提取出来import pdfplumber pdf_path report.pdf with pdfplumber.open(pdf_path) as pdf: page pdf.pages[1] # 第2页 table page.extract_table() if table: for row in table: print(row)这里pages[1]对应第2页因为Python索引从0开始。extract_table()返回的是一个列表每个元素是那一行的单元格内容没有内容的位置是None。如果想把结果转成DataFrame直接这样写import pandas as pd import pdfplumber with pdfplumber.open(report.pdf) as pdf: page pdf.pages[1] table page.extract_table() df pd.DataFrame(table[1:], columnstable[0]) print(df.head())默认情况下pdfplumber会尝试从页面顶部第一张表格开始提取。如果页面里有多张表格extract_table()默认只返回一次命中的区域更稳妥的做法是先用page.find_tables()看看页面里有多少个表格区域再决定提取策略。3.3 结果验证成功或失败怎么判断我不建议只看表格行数是否和PDF一致更可靠的是检查两件事。第一表头是否正确第二每一列的数据是否都落在了正确的列里。比如原表有“部门”和“金额”两列提取后如果“金额”跑到了“部门”列里说明列对齐出了问题。可以用这段代码快速检查空值和列数print(df.shape) print(df.columns.tolist()) print(df.isna().sum())如果某列空值很多先看原PDF中那一列是否有合并单元格或空白。如果某列每个单元格都被字符挤错位置就需要调整extract_table的参数或者换camelot试试。我的经验是第一轮结果只要结构基本正确就说明方向没问题先不要因为个别单元格错位就换方案可以先手工清理后面再优化参数。4. 批量提取和多页PDF处理4.1 遍历所有页面并过滤空结果实际工作中很少只处理一页。先写一个遍历逻辑把每页的表格都提取出来过滤掉空表格。这里要注意一个页面可能有多张表格所以不能用extract_table()一次完事最好用page.extract_tables()。pdfplumber的extract_tables()可以返回页面中多个表格的列表import pdfplumber with pdfplumber.open(report.pdf) as pdf: for page_no, page in enumerate(pdf.pages): tables page.extract_tables() if tables: for table_index, table in enumerate(tables): print(f第{page_no 1}页第{table_index 1}张表共{len(table)}行)批量时我建议先只输出每个表格的页号、索引和行数不要急着把所有数据写进Excel。先知道哪个页面有表格、哪些页面被漏掉再决定后续处理。因为有些PDF页面只有一张图或一段说明不打开PDF根本不知道有没有表。4.2 把多张表统一成DataFrame再导出Excel不同页面提取出来的表格结构可能不一样。先把每个表格的行列数打印出来确认列名一致后再纵向拼接。如果列名不一致直接在DataFrame里concat会出现大量NaN。import pandas as pd import pdfplumber all_frames [] with pdfplumber.open(report.pdf) as pdf: for page_no, page in enumerate(pdf.pages): tables page.extract_tables() for table in tables: # 跳过表头不完整的表格 if len(table) 2: continue header table[0] data table[1:] df pd.DataFrame(data, columnsheader) all_frames.append(df) if all_frames: result pd.concat(all_frames, ignore_indexTrue) result.to_excel(output.xlsx, indexFalse)为什么每张表都要取第一行作为表头因为PDF跨页时第二页通常没有重复表头直接取第一行会把第一行数据当成表头。更稳妥的做法是只对第一张表取第一行作为列名其他表作为数据行然后根据列名对齐。如果所有页都有重复表头可以在concat前统一去掉。4.3 批量处理多个PDF文件如果是一个目录下十几个PDF需要遍历文件。建议用pathlib的glob同时把输出文件名和源文件对应起来。from pathlib import Path import pandas as pd import pdfplumber input_dir Path(pdfs) output_dir Path(outputs) output_dir.mkdir(exist_okTrue) for pdf_path in input_dir.glob(*.pdf): frames [] with pdfplumber.open(pdf_path) as pdf: for page in pdf.pages: for table in page.extract_tables(): if not table or len(table) 2: continue df pd.DataFrame(table[1:], columnstable[0]) frames.append(df) if frames: result pd.concat(frames, ignore_indexTrue) out_file output_dir / f{pdf_path.stem}_tables.xlsx result.to_excel(out_file, indexFalse) print(f{pdf_path.name}: 导出 {out_file}) else: print(f{pdf_path.name}: 未找到表格)文件多的时候要给每个输入设置独立的输出路径避免所有结果写进同一个Excel后期不好定位来源。还可以在结果中加一列“来源文件”方便追溯。4.4 文件命名和重试逻辑批量处理一定要处理失败问题。我会在循环里加try/except把失败的pdf_path写进一个error_log.txt然后继续处理后续文件。不要一报错就中断整个任务因为PDF文件质量差异很大一个文件有问题不代表整个目录都不能用。error_log [] for pdf_path in input_dir.glob(*.pdf): try: # 处理逻辑 pass except Exception as exc: error_log.append(f{pdf_path.name}: {exc}) continue如果十几个文件里有几个失败先把失败的单独检查看是页面结构问题还是文件损坏。不要反复在全量目录上跑浪费时间。5. 复杂表格和高频报错排查5.1 表格串行、列错位怎么定位常见现象是提取出来的结果行列数对不上或者某几列错位。我先不调库参数而是把原始PDF页面截图和输出DataFrame并排看确认是从哪一行开始错的。之后把错误的行打印出来和PDF内容对比判断是表头占位、合并单元格还是无边框列偏移。pdfplumber的extract_table()有个参数text_strategy可以调整文字提取策略。默认是按字符位置组合有些PDF的字体会导致表格列边界偏移可以试试text_strategytext或explicittable page.extract_table(text_strategytext)但不要盲目换参数。先确认原PDF中这一列的字符是否真的在同一个水平位置。如果有右对齐和左对齐混用表格列边界就会不稳定。5.2 扫描件PDF提取不到内容如果pdfplumber提取出来是空或者全是None先确认是不是文本型PDF。最简单的方法是在PDF阅读器里用鼠标选中文字。如果选不中就是扫描件。这时只能先OCR把图片转成带坐标的文字层再用类似pdfplumber的方法处理。也可以用OCR工具输出的hOCR或ALTO格式里面包含每个文字块的位置然后自己根据位置组合成表格。但这会大幅增加误差。OCR对清晰扫描件的表格还能处理对歪斜、阴影、多表头的页面效果很差。真正生产环境下我建议把扫描件单独放一个目录不要和文本型PDF混在一起处理因为两者的处理链路完全不同。5.3 camelot安装时报错camelot安装常见报错包括Ghostscript没装、opencv版本冲突、找不到gs命令。Windows上需要先安装Ghostscript并把安装目录加入系统PATH。macOS上可以用brew install ghostscript。安装完成后可以在命令行执行gs --version确认。另一个高频问题是camelot依赖的opencv和本地已有的opencv版本冲突。建议在虚拟环境里重新安装干净依赖。如果只是读取线框camelot可能也会受Ghostscript版本影响所以安装后先用官方文档里的示例PDF跑一遍验证环境没有问题。5.4 tabula-py提示找不到Javatabula-py报错通常和Java环境有关。先在命令行运行java -version如果没有输出或提示找不到Java需要先安装JDK 8以上。如果你的项目跑在服务器上还要确保Java命令在系统PATH里否则Python子进程找不到它。有时候已经装了Java但tabula-py还是报错可以先检查环境变量JAVA_HOME是否配置正确。Java版本过高或过低也可能导致问题建议用Java 8或Java 11这种长期支持版本。5.5 结果中的中文乱码PDF里提取中文时如果平台字体缺失打印出来可能是一串乱码或方框。但要注意这并不一定表示数据错了可能是控制台编码问题。先把结果存成Excel或CSV再用文件打开看。如果写入CSV后中文乱码需要指定编码utf-8-sig这样Excel打开才不会乱。result.to_csv(result.csv, indexFalse, encodingutf-8-sig)如果Excel里仍然是乱码说明PDF本身的中文字体信息提取有问题这时候需要检查pdfplumber版本和字体配置而不是在CSV编码上继续纠结。6. 把提取结果稳定落地还需要注意这些边界6.1 不要把默认参数当成万能一开始跑通demo很容易以为默认参数能解决所有页面。实际上PDF里的表格样式太多默认参数只是覆盖最常见情况。比如pdfplumber的vertical_strategy默认是lines如果页面没有竖线就会把整页当成一大块必须改成text或explicit。camelot的lattice对线框依赖强线框淡一点都可能失败。建议先给自己一个判断清单页面有无线框、表头是否重复、有无跨页、有无合并单元格。每个条件都会影响参数选择而不是固定一套参数跑到底。6.2 长表格跨页需要拼接不要简单concat跨页表格常见情况是表头只出现在第一页第二页直接继续数据行。如果每页都取第一行当表头第二页的数据会被丢掉如果直接用识别表格里的第一行可能把合计行当成新表头。更合理的处理是第一页识别出表头后续页只取数据行最后拼接。如果表头跨页重复可以在concat前去掉重复表头。有的PDF还会在跨页处重复“续表”这样的文字提取后可能插进某列里需要做脏数据过滤。可以先对“续表”这类词做模糊匹配把包含它的行剔除。6.3 生产化思路日志、输出目录和人工抽验批量脚本要加日志至少记录三个信息每个文件处理结果、每个PDF识别出多少表、失败原因是哪一步异常。日志能帮你快速定位是文件问题还是代码问题。输出目录也要提前规划。我一般会按日期建子目录比如outputs/20250110/里面放每个文件的xlsx再加一个error_log.txt和一个summary.csv把所有文件的行数和状态汇总起来。这样即使跑几百个文件也不会一团乱。最后一定要人工抽验。哪怕提取成功率再高也建议把结果文件随机抽查5%到10%对比原PDF重点看表头、明细行数、金额列是否一致。因为PDF表格抽取不像JSON解析没有严格的数据结构保证任何工具都可能静默错位不校验就上线风险很大。6.4 如果效果始终不理想考虑调整思路如果某个PDF换了所有库、调了各种参数还是不行不要继续硬磕。可以把该页转成图片再用目标检测或OCR工具识别表格结构这已经属于更重的解决方案适合数据量大、表格样式极其复杂的场景。但对大部分日常表格pdfplumber或camelot已经够用了。还有一个替代思路如果PDF本身是从Word或Excel导出的优先找原始文件。很多所谓“提取PDF表格”的需求其实是因为原始表格文件丢失了。如果只是想要数据直接找源头文件最省力不要把PDF当成唯一数据源。我自己处理PDF表格时基本遵循这个顺序先判断PDF类型再选库再用单页跑通最后才批量处理。很多问题的根源不是Python库不够强而是对PDF结构和表格边界了解不够。把前置检查做扎实后面的代码反而可以很简单。