如何用Python从多表格PDF页面提取指定表格并转为DataFrame

方案1：用Camelot的table_areas参数指定提取区域 #

这是最直接的精准提取方式，通过页面坐标锁定目标表格：

1. 获取目标表格坐标：
   • 用PDF阅读器（如Adobe Acrobat、Foxit）打开文件，查看目标表格的边界坐标（格式为x1,y1,x2,y2，x从左到右递增，y从下到上递增）
   • 或者用Camelot的可视化功能自动识别表格区域：

     import camelot
     tables = camelot.read_pdf("your_file.pdf", pages="1", flavor='stream', plot=True)
     tables.plot('contour')  # 弹出窗口显示页面所有识别到的表格区域
     

2. 指定区域提取代码：
   将坐标传入table_areas参数，仅提取该区域内的表格：

   import camelot
   # 替换为你的目标表格实际坐标，示例格式：["x1,y1,x2,y2"]
   target_area = ["50,300,550,600"]
   tables = camelot.read_pdf("your_file.pdf", pages="1", flavor='stream', table_areas=target_area)
   df_target = tables[0].df
   

方案2：通过表格特征筛选目标表格 #

如果不想手动定位坐标，可以先提取页面所有表格，再通过表头、行列数等特征筛选目标：

import camelot

tables = camelot.read_pdf("your_file.pdf", pages="1", flavor='stream')
# 遍历所有表格，匹配目标特征（比如表头包含特定关键词）
for table in tables:
    df = table.df
    # 假设目标表格第一行是表头，包含"目标关键词"
    if "目标关键词" in df.iloc[0].values:
        df_target = df
        break

方案3：用Tabula工具实现区域提取 #

Tabula也是PDF表格提取的常用工具，支持通过区域参数精准定位：

from tabula import read_pdf

# area参数格式：[top, left, bottom, right]，y坐标从上到下递增
target_area = [200, 50, 500, 550]
df_target = read_pdf("your_file.pdf", pages="1", area=target_area, stream=True)[0]

以上方法都能避免提取页面冗余内容，直接生成目标表格的DataFrame。如果需要通用化处理，可以把坐标或特征筛选逻辑做成可配置参数，适配不同PDF文件。

内容的提问来源于stack exchange，提问作者Zain Fendukly