Python 实战：把 PDF 表格完整转换成 Excel（小白教程）

很多同学第一次接触 PDF 数据处理时，都会遇到一个问题：

PDF 里的表格能看，不能算，不能统计。

比如：

招聘成绩公示
学校成绩单
名单汇总表

本文将通过一个完整可运行的 Python 示例，一步一步教你：

👉 如何把一个多页 PDF 表格，稳定地转换成 Excel 文件

一、整体思路先说明（很重要）

在正式写代码前，你一定要明白一件事：

PDF ≠ Excel

Excel：天然是"行 + 列"
PDF：只是"排好版的页面"

所以我们要做的是：

复制代码

1. 从 PDF 中提取"表格结构"
2. 把每一行数据收集起来
3. 修复列数不一致的问题
4. 再导出为 Excel

二、完整代码（先给结论）

下面是完整、可直接运行的代码，后面我会逐步拆解讲解。

python 复制代码

import pdfplumber
import pandas as pd
import os


def pdf_to_excel(pdf_path, excel_path):
    all_rows = []

    # 打开 PDF
    with pdfplumber.open(pdf_path) as pdf:
        print(f"PDF共有 {len(pdf.pages)} 页")

        # 遍历每一页
        for page_num, page in enumerate(pdf.pages, start=1):
            print(f"正在处理第 {page_num} 页...")

            tables = page.extract_tables()

            if not tables:
                continue

            for table in tables:
                for row in table:
                    # 跳过全空行
                    if row and any(cell and cell.strip() for cell in row if isinstance(cell, str)):
                        all_rows.append(row)

    if not all_rows:
        print(" 未提取到任何表格数据")
        return

    # 计算最大列数
    max_cols = max(len(row) for row in all_rows)
    print(f"检测到最大列数：{max_cols}")

    # 统一所有行的列数
    normalized_rows = []
    for row in all_rows:
        if len(row) < max_cols:
            row = row + [None] * (max_cols - len(row))
        elif len(row) > max_cols:
            row = row[:max_cols]
        normalized_rows.append(row)

    # 第一行作为表头
    header = normalized_rows[0]
    data = normalized_rows[1:]

    # 去除重复表头行
    clean_data = []
    for row in data:
        if row != header:
            clean_data.append(row)

    # 构建 DataFrame
    df = pd.DataFrame(clean_data, columns=header)

    # 清理空行、空列
    df = df.dropna(how='all').dropna(axis=1, how='all')

    # 导出 Excel
    df.to_excel(excel_path, index=False, engine='openpyxl')

    print("\n 转换完成")
    print(f"Excel 文件路径：{excel_path}")
    print(f"数据行数：{len(df)}")
    print(f"列数：{len(df.columns)}")
    print("列名：", list(df.columns))
    print("\n前 5 行数据预览：")
    print(df.head())


if __name__ == "__main__":
    pdf_file = "Example.pdf"
    excel_file = "Result.xlsx"

    if not os.path.exists(pdf_file):
        print(f"找不到 PDF 文件：{pdf_file}")
    else:
        pdf_to_excel(pdf_file, excel_file)

三、逐步解析代码（小白重点）

1️⃣ 导入库

python 复制代码

import pdfplumber
import pandas as pd
import os

作用说明：

库	作用
pdfplumber	读取 PDF、提取表格
pandas	处理表格数据
os	判断文件是否存在

2️⃣ 定义核心函数

python 复制代码

def pdf_to_excel(pdf_path, excel_path):

这个函数只做一件事：

把一个 PDF 表格文件，转换成 Excel

3️⃣ 收集所有表格行

python 复制代码

all_rows = []

为什么要这样做？

👉 因为 PDF 是一页一页的 ，

但 Excel 是一个整体表格。

4️⃣ 打开 PDF 并逐页处理

python 复制代码

with pdfplumber.open(pdf_path) as pdf:

pdf.pages：PDF 的每一页
extract_tables()：提取当前页中的表格

5️⃣ 跳过空行（非常关键）

python 复制代码

if row and any(cell and cell.strip() for cell in row if isinstance(cell, str)):

作用：

防止空行进入 Excel
防止生成一堆没用的数据

6️⃣ 为什么要"统一列数"（核心思想）

python 复制代码

max_cols = max(len(row) for row in all_rows)

现实中的 PDF 表格：

有的页 8 列
有的页 9 列
有的页 10 列

👉 如果不统一，pandas 会直接报错

所以我们要：

python 复制代码

不足的补 None，多的截断

7️⃣ 第一行作为表头

python 复制代码

header = normalized_rows[0]

PDF 表格通常每一页都有表头，

我们只保留第一行作为最终列名。

8️⃣ 去掉重复表头行

python 复制代码

if row != header:
    clean_data.append(row)

否则 Excel 会变成：

复制代码

职位代码 | 职位名称 | ...
职位代码 | 职位名称 | ...
职位代码 | 职位名称 | ...

9️⃣ 导出 Excel

python 复制代码

df.to_excel(excel_path, index=False, engine='openpyxl')

这一步就是真正生成 Excel 文件。

四、示例 PDF 模板（示意）

假设你的 PDF 表格内容长这样（每一页类似）：

职位代码	职位名称	准考证号	考场号	座位号	成绩
00001	A001	A00010201	2	1	78.25
00001	A001	A00010101	1	1	82.50

五、预期 Excel 处理结果

最终生成的 Excel 表格应为：

职位代码	职位名称	准考证号	考场号	座位号	成绩
00001	A001	A00010201	2	1	78.25
00001	A001	A00010101	1	1	82.50
...	...	...	...	...	...

👉 一人一行，可直接统计、排序、筛选

六、这个程序能做什么 / 不能做什么

✅ 能处理

多页 PDF 表格
列数不一致
招聘、公示、成绩类 PDF

❌ 不能处理

扫描版 PDF（图片）
完全靠空格排版的"假表格"

七、总结一句话

PDF → Excel 的难点不在"读取"，而在"结构修复"。

这份代码已经解决了：

多页
表头重复
列数不一致