Python实现PDF表格转CSV的完整方法与代码解析

pip install Spire.Pdf.Free

from spire.pdf import PdfDocument, PdfTableExtractor
import csv
import os

# 初始化PDF文档对象并加载文件
pdf = PdfDocument()
pdf.LoadFromFile("Sample.pdf")

# 创建PDF表格提取器
extractor = PdfTableExtractor(pdf)

# 定义输出目录，目录不存在则自动创建
output_root = "Tables"
os.makedirs(output_root, exist_ok=True)

# 遍历PDF每一页
for page_index in range(pdf.Pages.Count):
    # 提取当前页面下所有表格
    tables = extractor.ExtractTable(page_index)
    
    # 遍历当前页面中的每一个表格
    for table_index, table in enumerate(tables):
        table_data = []
        
        # 读取表格所有行
        row_total = table.GetRowCount()
        for row in range(row_total):
            row_data = []
            # 读取当前行所有列
            col_total = table.GetColumnCount()
            for col in range(col_total):
                # 提取单元格文本，去除换行符、首尾空白字符
                cell_text = table.GetText(row, col).replace("\n", "").strip()
                row_data.append(cell_text)
            table_data.append(row_data)
        
        # 拼接CSV文件路径，按 页面-表格 编号命名
        csv_name = f"Page{page_index + 1}-Table{table_index + 1}.csv"
        csv_path = os.path.join(output_root, csv_name)
        
        # 写入CSV文件，指定UTF-8编码，newline避免多余空行
        with open(csv_path, "w", newline="", encoding="utf-8") as csvfile:
            writer = csv.writer(csvfile)
            writer.writerows(table_data)
        print(f"已导出：{csv_path}")

# 释放PDF文档资源
pdf.Dispose()
print("所有表格导出完成")

pip install camelot-py[cv]

import camelot
# 读取PDF并提取表格，flavor='lattice'适用于有边框的表格
# 可以指定pages='all'来提取所有页面
tables = camelot.read_pdf('your_table.pdf', pages='1-3', flavor='lattice')
# 将所有提取的表格导出为多个CSV文件（或一个ZIP压缩包）
tables.export('output.csv', f='csv', compress=False)
# 查看第一个提取的表格
print(tables[0].df)
# 如果只想保存第一个表格
# tables[0].to_csv('single_table.csv')

pip install pdfplumber

import csv
import pdfplumber
with pdfplumber.open("your_table.pdf") as pdf:
    # 假设表格在第一页
    page = pdf.pages[0]
    # 智能提取表格（自动检测）
    # 如果效果不佳，可以尝试指定table_settings参数
    # table_settings = {"vertical_strategy": "lines", "horizontal_strategy": "lines"}
    # table = page.extract_table(table_settings=table_settings)
    table = page.extract_table()
    if table:
        with open("output.csv", "w", newline='', encoding='utf-8') as f:
            writer = csv.writer(f)
            writer.writerows(table)

with pdfplumber.open("your_table.pdf") as pdf:
    page = pdf.pages[0]
    tables = page.extract_tables()
    for i, table in enumerate(tables):
        if table:
            with open(f"table_{i+1}.csv", "w", newline='', encoding='utf-8') as f:
                writer = csv.writer(f)
                writer.writerows(table)

pip install tabula-py

import tabula
# 提取PDF中所有表格，并保存为CSV文件
tabula.convert_into("your_table.pdf", "output.csv", output_format="csv", pages='all')
# 提取表格到DataFrame列表，以便进行数据处理
# df_list = tabula.read_pdf("your_table.pdf", pages='all')
# print(df_list[0])  # 打印第一个表格