camelot-py默认提取pdf表格不可靠，因其lattice模式依赖显式边框、stream模式易受页眉页脚干扰，且不返回坐标与置信度；需结合pdfplumber定位区域，混合flavor、手动设table_areas和columns，并校验accuracy、空值及可视化覆盖。
camelot-py 能提取 PDF 表格，但默认设置下极易漏行、错列、吞空格，尤其对带合并单元格、浅色边框或扫描件（哪怕 OCR 过）的报表完全失效——这不是你代码写错了，是它根本没被设计来处理真实业务 PDF。
为什么 camelot.read_pdf() 直接调用基本不可靠
camelot 默认用 lattice 模式找线框、stream 模式靠文字位置聚类，但实际报表中：边框常被加粗/虚线/颜色淡化；表头和数据行字体大小不一致；页眉页脚干扰坐标；多页表格结构微调就会让后续页识别崩坏。更关键的是，read_pdf() 不返回原始坐标或置信度，出错了只能盲猜调参。
-
flavor="lattice"对无显式边框的 PDF（如 Word 导出 PDF）直接返回空列表 -
flavor="stream"在跨页表格中常把页脚文字误判为表尾，截断数据 - 未指定
pages时，默认只读第一页，且不报错提示 -
suppress_warnings=True会掩盖Unable to parse table这类关键日志
必须手动限定区域 + 切换 flavor 的实操组合
先用 pdfplumber 快速打开 PDF 看布局（不用装新库：pip install pdfplumber），定位表格左上右下坐标（单位：pt），再喂给 camelot 做精准切割。同一份 PDF 往往需要混合两种 flavor：表头用 stream（靠字体大小区分），主体用 lattice（若边框清晰）。
import camelot
# 例：从第3页提取坐标 (x0=100, y0=250, x1=500, y1=600) 内的表格
tables = camelot.read_pdf(
"report.pdf",
pages="3",
flavor="lattice",
table_areas=["100,600,500,250"], # 注意：y 坐标倒置，y0 是上边界，y1 是下边界
columns=["150,200,300,400"], # 强制竖线位置，防列错位
split_text=True, # 处理被空格/换行切开的单元格
flag_size=True # 把字号突变当标题信号（对表头有效）
)
-
table_areas必须是字符串列表，格式为"x0,y1,x1,y0"（PDF 坐标系 y 向上为正，但 camelot 输入要求 y1 > y0，即数值上“上边界”比“下边界”小） - 多个表格区域用多个字符串，如
["100,600,500,250", "100,200,500,100"] -
columns不是列数，是每条竖线的 x 坐标（从左到右），少写一条就可能合并两列
提取后必须校验的三个硬指标
camelot 返回的 tables 是 TableList 对象，不是 DataFrame。不做清洗直接 .df 会埋雷：
- 检查
tables[0].parsing_report["accuracy"]—— 低于 85 表示识别质量差，别硬用 - 执行
tables[0].to_pandas().isna().sum().sum()，非零说明有空单元格被吞（常见于合并单元格未展开） - 对比原始 PDF 页：用
tables[0].plot()可视化识别框，确认是否覆盖全部行，尤其注意最后几行是否被截断
遇到合并单元格，camelot 默认不展开。得手动补：df = tables[0].df.replace('', pd.NA).ffill(axis=0)（按列向下填充），但前提是能确认哪些列是主键列。
真正难的不是调通 camelot，而是判断哪一页、哪个区域、用哪种 flavor、配哪组 columns 坐标——这些没法自动化，必须人工看三页样例 PDF 才能定。别指望一个参数跑全量，也别在 lattice 失败时反复调 line_scale，先切到 stream + 坐标限定试试。
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！
