我们经常遇到一些发布的pdf文件，需要获取其中表格中的数据，比如如下的表格：

• 建立python项目，建立文件readpdf.py如下

import 
tabula
# 检查本地的java环境是否正确
tabula.environment_info()
#jpype.startJVM(jpype.getDefaultJVMPath())
# 从PDF文件中读取表格数据到DataFrame列表
dfs = tabula.read_pdf("D:\\ai-hos\\doc\\my.pdf", pages='all', 
multiple_tables=True,force_subprocess=True)


for i, df in enumerate(dfs):
# 将每个DataFrame保存为CSV文件
df.to_csv(f"table_{i}.csv", index=False)

• 引用支持库​

pip install tabula-py

pip install jpype1 --no-cache-dir

• ​应该确保本地的jdk安装正确

 java -version

这样运行程序就可以解析pdf文件中的数据了。​

Python提取PDF表格数据还可以使用以下几种方法：

1. 使用 pdfplumber 库

安装：pip install pdfplumber

示例代码：

python

import pdfplumber
import pandas as pd


def extract_pdf_tables(pdf_path, start_page, end_page):
    with pdfplumber.open(pdf_path) as pdf:
        all_dfs = []
        for page in pdf.pages[start_page-1:end_page]:
            tables = page.extract_tables()
            for table in tables:
                if table:
                    df = pd.DataFrame(table[1:], columns=table[0])
                    all_dfs.append(df)
        combined_df = pd.concat(all_dfs, ignore_index=True)
        return combined_df


# 使用示例
pdf_path = "your_file.pdf"
start_page = 1 # 开始页码
end_page = 10 # 结束页码
data = extract_pdf_tables(pdf_path, start_page, end_page)
data.to_excel("output.xlsx", index=False)

2. 使用 camelot 库

安装：pip install camelot-py[cv]

示例代码：

python

import camelot


def extract_pdf_tables(pdf_path):
    tables = camelot.read_pdf(pdf_path)
    combined_df = pd.concat([table.df for table in tables], ignore_index=True)
    return combined_df


# 使用示例
pdf_path = "your_file.pdf"
data = extract_pdf_tables(pdf_path)
data.to_csv("output.csv", index=False)​

3. 使用 tabula-py 库

安装：pip install tabula-py jpype1

示例代码：

python

import tabula


def extract_pdf_tables(pdf_path):
    dfs = tabula.read_pdf(pdf_path, pages='all', multiple_tables=True)
    combined_df = pd.concat(dfs, ignore_index=True)
    return combined_df


# 使用示例
pdf_path = "your_file.pdf"
data = extract_pdf_tables(pdf_path)
data.to_excel("output.xlsx", index=False)

注意事项

文件路径：确保PDF文件路径正确，可使用绝对路径或相对路径。

表格格式：不同库对表格格式的兼容性不同，若提取结果不理想，可尝试更换库或调整参数。

性能优化：对于大型PDF文件，可分页处理或使用多线程提高效率。