PDF文档中常常包含大量数据，尤其是官方报告、学术论文、财务报表等文档，往往包含了结构化的表格数据。表格作为承载关键信息的载体，其内容的准确提取对于数据分析、研究论证乃至业务决策具有重大意义。然而，PDF格式虽保证了文档的跨平台一致性，却给数据的直接提取和利用设置了障碍。掌握如何用Python高效地从PDF文档中提取表格，可以提升我们的数据处理能力、加速信息流转的能力。本文介绍如何利用Python来快速提取PDF文档中的表格数据 ，以及将表格数据保存到Excel文件。
- 用Python提取PDF文档中的表格数据
- 提取PDF文档中的表格并保存到Excel文件
本文所使用的方法需要用到Spire.PDF for Python，可通过PyPI安装：pip install Spire.PDF。
提取PDF文档中的表格数据
PdfTableExtractor(PdfDocument) 类可以用于处理PDF文档表格提取工作。创建好此类的实例之后，再使用 PdfTableExtractor.ExtractTable(int: page index) 方法就可以提取到指定页面上的所有表格了。获取到表格之后，我们就可以使用 PdfTable.GetText(int: row index, int column index) 方法提取表格数据保存到其他位置了。
以下是提取PDF表格并保存到文本的操作步骤：
- 导入所需模块。
- 创建
PdfDocument实例，并使用PdfDocument.LoadFromFile()方法载入PDF文档。 - 创建一个列表储存表格数据，再使用文档创建一个
PdfTableExtractor实例。 - 遍历文档页面，使用
PdfTableExtractor.ExtractTable(int: page index)方法提取页面上的表格。 - 遍历每个提取到的表格，为每个表格创建字符串对象，再使用
PdfTable.GetText(int: row index, int column index)方法获取表格数据并添加到字符串中。 - 将每个表格保存为一个文本文件。
- 释放资源。
代码示例：
python
from spire.pdf import *
from spire.pdf.common import *
# 创建PdfDocument类的实例
pdf = PdfDocument()
# 加载PDF文件
pdf.LoadFromFile("示例.pdf")
# 创建列表
list = []
# 创建PdfTableExtractor对象
extractor = PdfTableExtractor(pdf)
# 遍历文档的页面
for pageIndex in range(pdf.Pages.Count):
# 从页面提取表格
tableList = extractor.ExtractTable(pageIndex)
# 检查表格列表是否不为空且列表不为空
if tableList is not None and len(tableList) > 0:
# 遍历列表中的表格
for table in tableList:
tableData = ''
# 获取行数和列数
row = table.GetRowCount()
column = table.GetColumnCount()
# 遍历表格的行和列
for i in range(row):
for j in range(column):
# 从单元格获取文本
text = table.GetText(i, j)
# 将文本添加到列表中
tableData += text + " "
tableData += "\n"
list.append(tableData)
# 将每个表格保存为txt文件
for i in range(len(list)):
fileName = "output/Tables/ExtractedPDFTables{0}.txt".format(i)
with open(fileName, "w") as f:
f.writelines(list[i])
# 释放资源
pdf.Close()提取结果：
提取PDF文档中的表格并保存到CSV文件
在提取表格数据时，我们可以结合Spire.XLS for Python库（pip install Spire.XLS）来直接将表格数据写入Excel文件中。以下是操作步骤：
- 导入所需模块。
- 创建一个
PdfDocument类的实例。 - 使用
PdfDocument.LoadFromFile()方法加载一个示例PDF文档。 - 创建一个
Workbook类的实例，并清除其中的默认工作表。 - 遍历PDF文档中的页面。
- 使用
PdfTableExtractor.ExtractTable()方法从页面中提取表格。 - 遍历提取出的表格。
- 对于每个表格，使用
Workbook.Worksheets.Add()方法向工作簿中添加一个工作表。 - 使用
PdfTable.GetText()方法获取表格中单元格的文本。 - 使用
Worksheet.Range[rowIndex, columnIndex].Value属性将文本写入工作表中的特定单元格。 - 使用
Workbook.SaveToFile()方法将结果工作簿保存为Excel文件。 - 释放资源。
代码示例：
python
from spire.pdf import *
from spire.xls import *
# 创建一个PdfDocument对象
doc = PdfDocument()
# 加载示例PDF文件
doc.LoadFromFile("示例.pdf")
# 创建一个Workbook对象
workbook = Workbook()
# 清除默认的工作表
workbook.Worksheets.Clear()
# 创建一个PdfTableExtractor对象
extractor = PdfTableExtractor(doc)
sheetNumber = 1
# 循环遍历页面
for pageIndex in range(doc.Pages.Count):
# 从特定页面提取表格
tableList = extractor.ExtractTable(pageIndex)
# 判断表格列表是否不为空
if tableList is not None and len(tableList) > 0:
# 循环遍历列表中的表格
for table in tableList:
# 添加一个工作表
sheet = workbook.Worksheets.Add(f"sheet{sheetNumber}")
# 获取某个表格的行数和列数
row = table.GetRowCount()
column = table.GetColumnCount()
# 循环遍历行和列
for i in range(row):
for j in range(column):
# 从特定单元格获取文本
text = table.GetText(i, j)
# 将文本写入指定的单元格
sheet.Range[i + 1, j + 1].Value = text
# 自动调整列宽
sheet.AllocatedRange.AutoFitColumns()
sheetNumber += 1
# 保存到文件
workbook.SaveToFile("output/Tables/PDF表格到Excel文件.xlsx", ExcelVersion.Version2013)
workbook.Dispose()提取的表格：
本文演示了如何使用Python提取PDF文档中的表格数据，并将其保存到文本文件或Excel文件。
更多PDF文档操作技巧请前往Spire.PDF for Python教程。
申请免费许可加粗样式