如何用Python的camelot库将多页PDF数据提取至单个CSV文件

当然可以实现。你只需要用camelot提取每一页的表格后，将它们转换为pandas的DataFrame，合并成一个完整的数据集，再导出为单个CSV文件即可。

修改后的完整代码 #

import camelot
import pandas as pd

def pdf2csv_combined(pdf_filename, csv_filename):
    # 只提取PDF前3页的表格，指定pages参数
    tables = camelot.read_pdf(pdf_filename, pages='1-3')
    
    if not tables:
        print("未找到任何表格")
        return
    
    # 收集所有表格的DataFrame
    df_list = []
    for idx, table in enumerate(tables):
        df = table.df
        # 除了第一个表格，后续表格跳过表头行（因为所有表格列名一致）
        if idx > 0:
            df = df.iloc[1:]
        df_list.append(df)
    
    # 合并所有DataFrame
    combined_df = pd.concat(df_list, ignore_index=True)
    
    # 导出为单个CSV文件
    combined_df.to_csv(csv_filename, index=False, header=True)
    print(f"所有表格数据已成功合并并导出到 {csv_filename}")

关键步骤说明 #

• 精准提取目标页：使用pages='1-3'参数只提取前3页的表格，避免处理第4页的无关内容
• 处理重复表头：因为所有表格列名一致，只保留第一个表格的表头，后续表格跳过第一行表头，只取数据行
• 合并数据集：通过pd.concat将所有DataFrame合并为一个完整的数据集，ignore_index=True重置行索引，避免索引重复
• 导出CSV：调用to_csv时设置index=False，避免写入多余的索引列，确保输出的CSV格式干净

注意事项 #

如果camelot提取表格时的表头识别逻辑和预期不符（比如表头不在第一行），可以调整iloc的切片参数；如果使用flavor='stream'等提取模式，也可以结合camelot的其他参数（如columns）优化表格提取效果。

内容的提问来源于stack exchange，提问作者carlosedb