如何使用pypdf提取指定PDF页面数据并导出为CSV？

第一步：安装所需依赖 #

在终端运行以下命令：

pip install pypdf pandas

第二步：完整可运行代码 #

将代码保存为pdf_to_csv.py，替换your_pdf_file.pdf为你的PDF文件路径：

from pypdf import PdfReader
import pandas as pd
import re

def clean_valor(text):
    # 统一VALOR列格式：去掉所有非数字字符，空值返回None
    if not text or text.strip() == "":
        return None
    cleaned = re.sub(r'[^\d]', '', text.strip())
    return int(cleaned) if cleaned else None

def extract_pdf_to_csv(pdf_path, start_page=4, end_page=605, output_csv="output.csv"):
    # 初始化PDF阅读器
    reader = PdfReader(pdf_path)
    # 转换页码：pypdf从0开始索引，第4页对应索引3，第605页对应索引604
    start_idx = start_page - 1
    end_idx = end_page - 1
    
    all_data = []
    # 遍历指定页码范围
    for page_num in range(start_idx, end_idx + 1):
        page = reader.pages[page_num]
        text = page.extract_text()
        if not text:
            continue
        
        # 按行分割文本（若PDF行分隔符为\n\r可自行调整）
        lines = text.split('\n')
        for line in lines:
            line = line.strip()
            if not line:
                continue
            
            # 按多空格拆分列（若PDF用其他分隔符，比如竖线，修改正则即可）
            columns = re.split(r'\s{2,}', line)
            # 补全空列（假设固定5列，可根据实际调整）
            while len(columns) < 5:
                columns.append(None)
            
            # 清洗VALOR列（假设是第3列，索引2，根据实际位置修改）
            if len(columns) > 2:
                columns[2] = clean_valor(columns[2])
            
            all_data.append(columns)
    
    # 转为DataFrame并设置列名（替换成你的实际列名）
    df = pd.DataFrame(all_data, columns=["COLUMN1", "COLUMN2", "VALOR", "COLUMN4", "COLUMN5"])
    # 删除全空行，保留部分空值的行
    df = df.dropna(how='all')
    
    # 导出CSV
    df.to_csv(output_csv, index=False, encoding='utf-8-sig')
    print(f"数据已导出到 {output_csv}")

# 调用函数
extract_pdf_to_csv("your_pdf_file.pdf")

关键部分说明 #

1. 页码适配：pypdf的页面索引从0开始，代码已自动转换用户输入的页码范围。
2. VALOR列清洗：不管是带点、空格的格式，都会被转换成纯数字，空值保留为None。
3. 列拆分逻辑：默认用多空格拆分列，若你的PDF用其他分隔符（比如制表符、竖线），修改re.split的正则表达式即可。
4. 空值处理：自动删除全空的行，部分空值的行会保留，你也可以用df.fillna("")将空值替换为空字符串。

注意事项 #

• 如果PDF是扫描件（图片格式），pypdf无法提取文本，需要用OCR工具（比如pytesseract）处理。
• 必须根据你的实际PDF结构，修改列名和VALOR列的索引位置（比如VALOR是第4列就改成columns[3]）。
• 确保PDF文件路径正确，且有读取权限。

内容的提问来源于stack exchange，提问作者Michael Picazo