如何使用PyPDF将PDF单页转换为DataFrame？WIPO特定PDF第24页转换问题求解

嘿，我来帮你解决这个麻烦！你用pypdf提取的是无结构的纯文本，想把它转成规整的DataFrame确实费劲——毕竟表格的行列结构在纯文本里完全乱掉了。而tabula就是专门用来提取PDF中表格数据的工具，咱们直接用它来处理，效率高多了。

下面是具体的实现步骤和代码：

1. 先搞定依赖（如果还没弄的话） #

tabula依赖Java环境，所以先确保你已经装了Java（OpenJDK或者Oracle的JDK都行，记得配置好环境变量），然后安装tabula-py：

pip install tabula-py

2. 直接用tabula提取第24页的表格 #

注意哦：tabula的页面编号是从1开始计数的，你要的第24页直接传pages='24'就可以，不用像pypdf那样减1。

基础提取代码 #

import tabula
import pandas as pd

# 自动识别第24页的所有表格，返回DataFrame列表
dfs = tabula.read_pdf(r"C:\Users\smx\python\wipo_pub_gii_2021.pdf", pages='24', multiple_tables=True)

# 如果页面只有一个表格，直接取第一个元素就行
df = dfs[0]

# 看看提取的结果
print(df.head())

3. 处理可能的格式混乱问题 #

如果提取后的表格有合并单元格、表头拆分在多行的情况，咱们可以做一些简单的清洗：
比如表头占了两行，合并成一行：

# 把前两行表头合并成一行
df.columns = [' '.join(str(col) for col in col_group).strip() for col_group in df.iloc[:2].values.T]
# 跳过原来的表头行，重置索引
df = df.iloc[2:].reset_index(drop=True)

# 处理空值，把NaN换成空字符串或者你需要的占位符
df = df.fillna('')

4. 保存结果（可选） #

要是需要把处理好的DataFrame存成文件：

# 存成CSV
df.to_csv('gii_2021_page24.csv', index=False)
# 存成Excel
df.to_excel('gii_2021_page24.xlsx', index=False)

小技巧 #

如果tabula识别表格的位置不准，你可以用PDF阅读器的测量工具（比如Adobe Acrobat的测量功能）获取表格的左上角和右下角坐标，然后用area参数指定范围：

# area格式是[顶部坐标, 左侧坐标, 底部坐标, 右侧坐标]
dfs = tabula.read_pdf(r"C:\Users\smx\python\wipo_pub_gii_2021.pdf", pages='24', area=[100, 50, 600, 800], multiple_tables=True)

内容的提问来源于stack exchange，提问作者user032020