如何用Python读取指定PDF表格？tabula.io等工具无效，需生成DataFrame

针对你遇到的常规库提取失效问题，可根据PDF类型（文本型/图像扫描型）选择以下方法：

方法1：OCR+手动规整（适用于扫描图像型PDF） #

如果目标PDF是扫描生成的图像文件，常规文本提取工具无法识别内容，需结合OCR工具提取文本后再整理成DataFrame：

• 依赖工具：pdf2image（PDF转图像）、pytesseract（Tesseract OCR封装）、opencv-python（图像预处理）

• 步骤：

  1. 安装依赖：

  pip install pdf2image pytesseract pandas opencv-python
  

  注意：需单独安装Tesseract本体，Windows从官网下载，Linux用apt install tesseract-ocr，Mac用brew install tesseract，同时安装斯洛文尼亚语语言包（tesseract-ocr-slv）提升准确率。

  2. 提取并规整代码：

  from pdf2image import convert_from_path
  import pytesseract
  import pandas as pd
  import cv2
  import numpy as np
  
  # PDF转图像
  pages = convert_from_path("Tedenski-jedilnik-od-5.pdf")
  all_text = []
  
  for page in pages:
      # 转OpenCV格式并二值化预处理
      img = cv2.cvtColor(np.array(page), cv2.COLOR_RGB2BGR)
      gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
      _, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)
      # OCR提取文本
      text = pytesseract.image_to_string(thresh, lang='slv')
      all_text.append(text)
  
  # 拆分文本为行并转DataFrame
  rows = []
  for page_text in all_text:
      for line in page_text.split('\n'):
          stripped_line = line.strip()
          if stripped_line:
              cols = [col.strip() for col in stripped_line.split() if col.strip()]
              rows.append(cols)
  
  df = pd.DataFrame(rows)
  # 可手动添加列名：df.columns = ['周一', '周二', ..., '菜品']
  

方法2：底层文本提取+坐标分组（适用于复杂结构的文本型PDF） #

用pdfminer.six获取文本块的坐标信息，通过坐标判断表格的行和列结构：

• 安装依赖：

pip install pdfminer.six pandas

• 提取代码：

from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextContainer
import pandas as pd

rows = []
current_row = []
prev_y = None

for page_layout in extract_pages("Tedenski-jedilnik-od-5.pdf"):
    # 按顶部y坐标倒序排序文本块（PDF y轴从下往上）
    text_blocks = sorted(
        [elem for elem in page_layout if isinstance(elem, LTTextContainer)],
        key=lambda x: -x.bbox[1]
    )
    for block in text_blocks:
        text = block.get_text().strip()
        if not text:
            continue
        curr_y = block.bbox[1]
        # 按y坐标分组（允许5像素误差）
        if prev_y is None or abs(curr_y - prev_y) < 5:
            current_row.append(text)
        else:
            rows.append(current_row)
            current_row = [text]
        prev_y = curr_y
    if current_row:
        rows.append(current_row)

df = pd.DataFrame(rows)

方法3：非代码快速方案 #

如果仅需单次处理，可使用Adobe Acrobat Pro的「导出为Excel」功能，其内置的表格识别引擎对复杂结构兼容性更好，导出后直接用pd.read_excel()读取为DataFrame。

方法4：云端OCR服务（高精度备选） #

若本地OCR效果不佳，可使用Google Cloud Vision文档AI或AWS Textract，这类服务能直接识别表格结构并返回结构化数据，需配置API密钥（有免费额度）。以AWS Textract为例：

import boto3
import pandas as pd

textract = boto3.client('textract')

with open("Tedenski-jedilnik-od-5.pdf", 'rb') as f:
    response = textract.analyze_document(Document={'Bytes': f.read()}, FeatureTypes=['TABLES'])

# 解析表格数据
tables = []
for table_block in [b for b in response['Blocks'] if b['BlockType'] == 'TABLE']:
    cells = [b for b in response['Blocks'] if 'Relationships' in b and table_block['Id'] in [r['Id'] for r in b['Relationships'] if r['Type'] == 'CHILD']]
    # 按行排序单元格
    cells.sort(key=lambda x: (-x['Geometry']['BoundingBox']['Top'], x['Geometry']['BoundingBox']['Left']))
    current_row = []
    prev_top = None
    for cell in cells:
        # 提取单元格文本
        text = ' '.join([response['Blocks'][next(i for i, b in enumerate(response['Blocks']) if b['Id'] == w)]['Text'] for w in cell['Relationships'][0]['Ids']])
        curr_top = cell['Geometry']['BoundingBox']['Top']
        if prev_top is None or abs(curr_top - prev_top) < 0.01:
            current_row.append(text)
        else:
            tables.append(current_row)
            current_row = [text]
        prev_top = curr_top
    tables.append(current_row)

df = pd.DataFrame(tables[0])

内容的提问来源于stack exchange，提问作者Samo