pdfplumber 更适合结构化表格提取，因其原生保留文本坐标、线条和布局；pypdf2 仅输出纯文本，tabula 依赖 java 且对非标准线识别不稳。
pdfplumber 为什么比 PyPDF2 / tabula 更适合结构化表格提取
因为 pdfplumber 原生保留 PDF 中的文本坐标、线条、边框和空格布局，而 PyPDF2 只输出纯文本流（丢失表格结构），tabula 依赖 Java 且对非标准网格线（比如虚线、缺失边框）识别不稳定。当你面对的是带合并单元格、多页表头、跨行文字的财务/政务 PDF，pdfplumber 的 page.extract_table() 和 page.find_tables() 是目前最可控的起点。
注意两个关键前提：
– PDF 必须是「可选中文本」（不是扫描图，否则得先 OCR）；
– 表格区域最好有清晰的横/纵线或足够间距，否则需手动指定 vertical_strategy / horizontal_strategy 参数。
用 extract_table() 提取单页表格时怎么避免列错位
extract_table() 默认靠检测线框+文本密度找列，但实际中常因字体不齐、空格不均、右侧有注释导致列偏移。解决方式不是调参数硬扛，而是分三步校准：
- 先用
page.to_image().draw_rects(page.chars)可视化字符边界，确认文本是否被正确切分 - 若列错位，优先改用
page.extract_tables({“vertical_strategy”: “lines”, “horizontal_strategy”: “lines”})强制依赖真实线框（哪怕线很淡） - 仍不行？直接用
page.crop((x0, y0, x1, y1)).extract_table()手动裁剪出表格区域——PDF 坐标系原点在左下角，建议用pdfplumber.open("x.pdf").pages[0].to_image().save("debug.png")导出图片后量坐标
常见错误：直接对整个 page.extract_table() 返回的 list 套 pd.DataFrame()，结果第一行是空或含页眉。应先检查返回值是否为 None，再过滤掉空行和含「表头」「合计」字样的干扰行。
多页表格拼接时如何对齐列名与数据类型
不同页的表格可能列数不一致（比如最后一页少一列）、列名换行（如「金
额」）、或数值列混入单位（「12,345.00 元」）。不能直接 pd.concat(dfs, ignore_index=True) ——会错列、丢类型。
实操建议：
- 每页提取后立刻用
df.columns = df.iloc[0]+df = df[1:].reset_index(drop=True)提升首行为列名，再df.columns = df.columns.str.replace("\n", "", regex=True).str.strip()清理换行 - 统一列名：建立映射字典，如
{'金 额': 'amount', '金<br>额': 'amount', '应付金额(元)': 'amount'}，用df.rename(columns=col_map, errors="ignore") - 数值列清洗：对疑似数字列用
pd.to_numeric(df[col].str.replace("[^\d.-]", "", regex=True), errors="coerce")，别信astype(float)，它遇到「-」或空会崩
性能提示：如果 PDF 有 50 页，别在循环里反复调 pdfplumber.open()，应一次打开，再遍历 pdf.pages。
当 pdfplumber 抽不出表格线时，用字符坐标硬对齐的底线方案
有些 PDF 表格全靠空格对齐（如银行明细），没线也没合并单元格。这时 extract_table() 失效，但你可以用底层 page.chars 按 X 坐标聚类生成虚拟列边界：
# 获取所有非空文本字符的 x0 坐标 xs = [c["x0"] for c in page.chars if c["text"].strip()] # 用 numpy.histogram 找密集区间（即列分隔位置） import numpy as np _, bins = np.histogram(xs, bins=20) col_edges = sorted(set([round(x, 1) for x in bins])) # 然后按 col_edges 切分每行文本：for line in page.extract_text_lines(): ...
这招有效但脆弱：字体变化、缩进不一致、页眉干扰都会让 bins 偏移。所以只在其他方法全失败时启用，并务必加人工校验逻辑——比如检查每行切出来的字段数是否稳定，否则跳过该页。
真正麻烦的永远不是怎么抽，而是 PDF 制作者根本没按表格逻辑排版。这时候与其写一堆规则，不如导出为 Word 再复制粘贴——别低估手工校验的成本阈值。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
