作為財務、審計、數(shù)據(jù)分析的打工人，你是否經(jīng)常遇到這樣的場景：收到幾十頁的PDF報告，需要手動復制其中的表格到Excel，稍有不慎就錯位亂碼，加班到深夜……
本文用 5個真實案例 + 10段即用代碼，教你用Python實現(xiàn)PDF表格全自動提取→清洗→導出Excel，從此告別復制粘貼！文末附完整工具包。
一、PDF表格提取的三大痛點
- 格式混亂
- 中文亂碼
- 掃描件難題：圖片型PDF無法直接讀?。ㄐ鐿CR，文末附方案）
二、工具鏈：pdfplumber + pandas
2.1 環(huán)境準備
pip install pdfplumber pandas openpyxl
2.2 核心工具說明
- pdfplumber
- pandas：數(shù)據(jù)清洗、合并、導出Excel
- openpyxl
三、基礎(chǔ)案例：提取簡單表格
案例1：單頁PDF → 單Sheet Excel
目標：將如下結(jié)構(gòu)的銷售數(shù)據(jù)表提取到Excel（無需圖片，直接模擬數(shù)據(jù)）：
PDF表格示例
產(chǎn)品 銷量 單價 銷售額
手機 100 2000 200000
筆記本 50 5000 250000
import pdfplumber import pandas as pd
def pdf_to_excel(pdf_path, excel_path): with pdfplumber.open(pdf_path) as pdf: first_page = pdf.pages[0] table = first_page.extract_table() df = pd.DataFrame(table[1:], columns=table[0]) df.to_excel(excel_path, index=False)
from fpdf import FPDF pdf = FPDF() pdf.add_page() pdf.set_font("Arial", size=12) pdf.cell(200, 10, txt="產(chǎn)品 銷量 單價 銷售額", ln=True) pdf.cell(200, 10, txt="手機 100 2000 200000", ln=True) pdf.cell(200, 10, txt="筆記本 50 5000 250000", ln=True) pdf.output("sales.pdf")
pdf_to_excel("sales.pdf", "sales.xlsx")
輸出Excel效果
四、進階案例：處理復雜表格
案例2：多頁PDF → 多Sheet Excel
目標：將年報中的多頁表格合并到一個Excel的不同Sheet
def multi_page_to_excel(pdf_path, excel_path): with pdfplumber.open(pdf_path) as pdf: with pd.ExcelWriter(excel_path, engine='openpyxl') as writer: for i, page in enumerate(pdf.pages): table = page.extract_table() if table: df = pd.DataFrame(table[1:], columns=table[0]) df.to_excel(writer, sheet_name=f"Sheet_{i+1}", index=False)
pdf = FPDF() for _ in range(2): pdf.add_page() pdf.cell(200, 10, txt="產(chǎn)品 銷量 單價 銷售額", ln=True) pdf.cell(200, 10, txt="手機 100 2000 200000", ln=True) pdf.output("multi_page.pdf")
multi_page_to_excel("multi_page.pdf", "multi_page.xlsx")
案例3：處理合并單元格
目標：提取如下結(jié)構(gòu)的合并單元格表格：
PDF表格示例
地區(qū) 城市 銷售額
華東 上海 500
杭州 300
def handle_merged_cells(pdf_path): with pdfplumber.open(pdf_path) as pdf: page = pdf.pages[0] table = page.extract_table({ "vertical_strategy": "lines", "horizontal_strategy": "lines" }) df = pd.DataFrame(table) df.iloc[1:3, 0] = df.iloc[0, 0] return df
pdf = FPDF() pdf.add_page() pdf.set_font("Arial", size=12) pdf.cell(200, 10, txt="地區(qū) 城市 銷售額", ln=True) pdf.cell(200, 10, txt="華東 上海 500", ln=True) pdf.cell(200, 10, txt=" 杭州 300", ln=True) pdf.output("merged.pdf")
df = handle_merged_cells("merged.pdf") df.to_excel("merged.xlsx")
輸出Excel效果
案例4：處理掃描件PDF（OCR方案）
目標：圖片型PDF的文字識別
from pdf2image import convert_from_path import pytesseract import cv2 import numpy as np
def ocr_pdf_table(pdf_path): images = convert_from_path(pdf_path, 500) all_dfs = [] for img in images: img_cv = cv2.cvtColor(np.array(img), cv2.COLOR_RGB2BGR) gray = cv2.cvtColor(img_cv, cv2.COLOR_BGR2GRAY) _, thresh = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY) text = pytesseract.image_to_string(thresh) # 解析文本為表格 rows = [line.split() for line in text.split('\n') if line.strip()] df = pd.DataFrame(rows[1:], columns=rows[0]) all_dfs.append(df) return pd.concat(all_dfs)
# 生成測試圖片型PDF（需提前截圖為PDF） # 假設(shè)掃描件內(nèi)容與案例1相同 final_df = ocr_pdf_table("scanned.pdf") final_df.to_excel("scanned_output.xlsx")
五、避坑指南：常見問題解決
5.1 中文亂碼問題
with pdfplumber.open(pdf_path, encoding="UTF-8") as pdf: ... df.to_excel("output.xlsx", encoding="utf-8-sig")
5.2 表格錯位校正
table = page.extract_table({ "vertical_strategy": "text", "horizontal_strategy": "text", "snap_tolerance": 4 })
5.3 處理空白單元格
df.fillna("N/A", inplace=True) df.dropna(how="all", inplace=True)
閱讀原文：原文鏈接
該文章在 2025/8/28 15:41:56 編輯過
400 186 1886
