tabula-py提取PDF表格最省事但依赖Java且不支持扫描版;空列表主因是PDF非文本型或未指定页码/区域;可用pdfplumber验证文本层;合并多PDF表格需用ExcelWriter控制写入位置;tabula适合规整表格,camelot适合复杂线框表格。

直接用 tabula-py 提取 PDF 表格最省事,但必须注意:它依赖 Java 运行环境,且对扫描版 PDF 完全无效——不是所有“看起来像表格”的内容都能被识别出来。
为什么 tabula.read_pdf() 读出来是空列表?
常见原因是 PDF 不是文本型(即扫描件或图片嵌入),tabula 根本看不到文字。另一个高频问题是没指定页码或区域,导致默认只扫第一页顶部一小块。
- 先用
pdfplumber快速验证是否能提取文字:import pdfplumber with pdfplumber.open("sample.pdf") as pdf: print(pdf.pages[0].extract_text()[:200])如果输出是None或乱码,说明是扫描件,得先 OCR - 强制指定页码范围:
pages="all"或pages=[1, 3, 5],别依赖默认值 - 用
area参数框选表格区域(单位是点,左下为原点),比靠算法自动检测更稳:area=[100, 50, 600, 400]
怎么把多个 PDF 的表格合并到一个 Excel 文件里?
关键不是“循环读取”,而是控制每个表格写入 Excel 的位置——否则所有表会叠在同一个 sheet 的 A1 单元格上。
- 用
pandas.ExcelWriter的engine="openpyxl"模式,支持追加写入 - 每读一个 PDF,用
df.to_excel(writer, sheet_name=f"PDF_{i}", index=False)分开建 sheet - 如果想塞进同一个 sheet,得手动计算起始行:
startrow = writer.sheets["Summary"].max_row + 2,再传给to_excel(startrow=...) - 别忘了最后调用
writer.close(),否则文件可能损坏
tabula 和 camelot 到底选哪个?
tabula 更快、API 简单,适合结构规整的 PDF;camelot 对复杂线框表格识别率更高,但安装麻烦(需要 Ghostscript)、速度慢一倍以上。
- 优先试
tabula.read_pdf(..., multiple_tables=True),返回的是 list of DataFrames,直接遍历处理即可 - 如果表格有合并单元格或细线分隔,换
camelot.read_pdf(..., flavor="lattice");若只有竖线/无边框,用flavor="stream" -
camelot的table.df才是 DataFrame,别直接用table对象 - 两者都对中文支持一般,若字段名乱码,加参数
encoding="utf-8"(tabula)或确保 PDF 内嵌字体支持中文
真正卡住的往往不是代码写不对,而是 PDF 本身质量——比如表格跨页、字体嵌入不全、用了非标准编码。建议先人工抽 3 个样本 PDF,用 pdfplumber 看文本层是否完整,再决定走 OCR 还是纯解析路线。
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!











