Python怎么从PDF表格中提取数据并存入CSV_基于camelot或tabula库-Python教程-PHP中文网

多数人卡在camelot.read_pdf()报错或返回空列表，因pdf常为无边框的stream模式表格或扫描件（需ocr预处理），应改用flavor="stream"、指定pages、手动设table_regions。

python怎么从pdf表格中提取数据并存入csv_基于camelot或tabula库

多数人卡在这一步：PDF 本身不是表格数据，而是带坐标的图形对象。Camelot 默认用 Lattice 模式识别「有明确边框线」的表格，但现实中很多 PDF 表格只有文字对齐（即 Stream 模式适用场景）。若 PDF 是扫描件（图片型），camelot 完全无法处理——它不支持 OCR。

实操建议：

先用 pdfplumber 打开 PDF 看一页文本是否可复制：如果复制出来是乱码或空，大概率是扫描件，得换 Tesseract + pdf2image 预处理
调用 camelot.read_pdf(..., flavor="stream") 强制走无边框识别，尤其适合财报、政府文件里靠空格/缩进对齐的表格
加 pages="1-3" 显式指定页码，避免默认只读第一页还报 IndexError
别信 table.area 的自动检测，用 table_regions 手动框坐标（格式如 ["100,500,500,300"]，单位是点，y 轴向下为正）

tabula 底层调用 Java 的 tabula-java，对中文支持比 camelot 更稳，但默认编码是 Latin-1。只要 PDF 文字能被选中复制，乱码基本是编码参数没设对。

实操建议：

必须显式传 encoding="utf-8"，否则 tabula.read_pdf() 返回的 DataFrame 列名和单元格全是
如果仍乱码，说明 PDF 内嵌字体未映射 UTF-8，此时加 lattice=True（强制边框识别）+ guess=False（禁用区域猜测），减少解析干扰
导出 CSV 前务必检查 df.iloc[0] 是否是真实表头；很多 PDF 表头跨行，tabula 会把第一行当列名，需用 df.columns = df.iloc[0] 重设再 df = df[1:]

PDF 表格原始排版导致的格式污染，不会因库切换消失。camelot 和 tabula 都返回原始字符串，不做类型推断。

Python Sdk

inference.sh 的 Python SDK：运行 AI 应用、构建智能体，并集成 150 多个模型。包名：inferencesh (pip install inferencesh)。支持同步/异步……

下载

实操建议：

别在 read 阶段硬塞 converters，PDF 表格列数不稳定，容易列错位；先统一用 str 类型读入，再按列处理
数值列清洗用 df["金额"].str.replace(r"[,$\s¥€]", "", regex=True).str.strip().replace("", np.nan)，注意 regex=True 必须显式写，pandas 2.0+ 默认关了
日期列别依赖 pd.to_datetime() 自动猜，PDF 里 “2023年12月” “12/31/2023” “31-DEC-2023” 混用很常见，先 str.extract(r"(\d{4}).*(\d{1,2}).*(\d{1,2})") 标准化再转

这不是 bug，是底层逻辑差异：camelot 基于 OpenCV 找线+聚类文字块，tabula 基于 PDF 内容流顺序+字体大小突变判断表结构。两者互补，不是替代关系。

实操建议：

先跑 camelot.read_pdf(..., flavor="lattice")，看是否有完整边框表；没有就切到 flavor="stream" 并用 row_tol=10 调整行间距容忍度
再跑 tabula.read_pdf(..., pages=1, multiple_tables=True)，对比返回的 tables 列表长度和首行内容
若 camelot 抓到 3 张表、tabula 抓到 5 张，大概率 camelot 合并了跨页表，而 tabula 把每页当独立单元——这时要人工核对 PDF 实际分页逻辑
最终合并用 pandas.concat()，但必须先统一列名：df.columns = df.columns.str.strip().str.replace(r"\s+", " ", regex=True)

最麻烦的永远不是库选哪个，而是 PDF 本身结构不规范：合并单元格没标记、表头旋转 90 度、页眉页脚混进表格区域。这时候得先用 pdfplumber 可视化定位，再手动切 region —— 自动化只是辅助，别指望一键全对。