Python怎样处理PDF表格？tabula-py提取方法详解

在日常数据处理场景中，PDF格式的文件常常包含结构化的表格数据，手动提取这些内容不仅耗时，还容易出现格式错乱、数据丢失的问题。Python生态中的tabula-py库基于Java的Tabula工具开发，能够精准识别PDF中的表格内容，将其转换为DataFrame或者CSV、JSON等常见格式，大幅降低PDF表格处理的难度。

环境准备与安装

使用tabula-py前需要先完成环境配置，首先确保本地已经安装了Java运行环境，因为tabula-py依赖Java的Tabula核心功能。然后安装tabula-py库，执行以下命令即可：

# 安装tabula-py库
pip install tabula-py

安装完成后可以简单验证是否可用，导入库后如果没有报错说明安装成功：

import tabula
print("tabula-py库导入成功")

基础表格提取方法

tabula-py最常用的功能是read_pdf方法，该方法可以直接读取PDF中的表格，返回pandas的DataFrame对象，方便后续处理。以下是一个基础示例，提取单个PDF页面中的表格：

import tabula
import pandas as pd

# 读取PDF中的表格，指定PDF文件路径和要提取的页码
# pages参数可以指定单个页码，比如"1"，也可以指定多个页码，比如"1,3,5"
df_list = tabula.read_pdf(
    "sample.pdf",  # PDF文件路径
    pages="1",     # 提取第1页的表格
    multiple_tables=True  # 当页面有多个表格时，返回所有表格
)

# df_list是DataFrame的列表，遍历输出每个表格的内容
for idx, df in enumerate(df_list):
    print(f"第{idx+1}个表格内容：")
    print(df)

提取结果保存为常见格式

提取到表格数据后，我们通常需要将其保存为更方便处理的格式，比如CSV、Excel或者JSON。tabula-py本身也提供了直接保存的功能，也可以结合pandas的存储方法实现：

直接保存为CSV

import tabula

# 直接提取PDF表格并保存为CSV文件
# output_format指定输出格式为csv，指定输出文件路径
tabula.convert_into(
    "sample.pdf",
    "output.csv",
    output_format="csv",
    pages="all"  # 提取所有页面的表格
)

结合pandas保存为Excel

import tabula
import pandas as pd

# 读取所有页面的表格
df_list = tabula.read_pdf("sample.pdf", pages="all", multiple_tables=True)

# 将多个表格保存到同一个Excel文件的不同sheet中
with pd.ExcelWriter("output.xlsx") as writer:
    for idx, df in enumerate(df_list):
        df.to_excel(writer, sheet_name=f"表格{idx+1}", index=False)

常见场景处理技巧

提取指定区域的表格

如果PDF页面中有多个内容，只想提取特定区域的表格，可以使用area参数指定区域坐标，坐标格式为[top, left, bottom, right]，单位是点（1点约等于1/72英寸）：

import tabula

# 指定提取区域，比如提取页面顶部100点到底部500点，左侧50点到右侧500点的区域
df_list = tabula.read_pdf(
    "sample.pdf",
    pages="1",
    area=[100, 50, 500, 500],
    multiple_tables=True
)
print(df_list[0])

处理加密的PDF文件

如果PDF文件有密码保护，需要在读取时传入密码参数：

import tabula

# 传入PDF密码提取表格
df_list = tabula.read_pdf(
    "encrypted_sample.pdf",
    pages="1",
    password="123456",  # PDF文件的密码
    multiple_tables=True
)
print(df_list[0])

提取后数据清洗

有时候提取到的表格可能存在空行、列名错位等问题，需要简单清洗后再使用。以下是常见的清洗操作示例：

import tabula
import pandas as pd

df_list = tabula.read_pdf("sample.pdf", pages="1", multiple_tables=True)
df = df_list[0]

# 删除全为空的行
df = df.dropna(how="all")
# 重置索引
df = df.reset_index(drop=True)
# 处理列名，如果第一行是表头但被识别为数据，可以调整
# df.columns = df.iloc[0]  # 将第一行设为列名
# df = df[1:].reset_index(drop=True)

print("清洗后的表格：")
print(df)

注意事项

• tabula-py对扫描版的PDF支持较差，扫描版PDF需要先通过OCR工具转换为可编辑的文本PDF再提取
• 如果PDF中的表格线条不清晰，可能会出现单元格合并识别错误的情况，需要手动调整提取参数
• 确保Java环境版本在Java 8及以上，低版本Java可能导致tabula-py运行报错
• 处理大体积PDF文件时，建议逐页提取，避免一次性加载所有内容导致内存占用过高

Pythontabula_pyPDF表格提取数据处理修改时间：2026-07-08 18:27:13