如何使用Pandas将PDF提取后的文本还原为表格列？

问题背景 #

我是Pandas新手，使用pdfplumber读取PDF中的数据表格并转换为Excel文件。转换后的Excel内容完整，但所有列的内容被合并成带单引号的字符串——每个单词对应原PDF的一列，逗号对应原PDF的空列。需要将这些内容重新拆分回独立列，还原原PDF的表格结构。

当前代码 #

import pdfplumber
import pandas as pd
from pandas import ExcelWriter

with pdfplumber.open('Sistema BanPara.pdf') as pdf:
    df = pd.DataFrame(page.extract_table() for page in pdf.pages).astype(str)
with pd.ExcelWriter('table.xlsx') as writer:
    df.to_excel(writer)

解决方案 #

方法1：处理已生成的中间Excel #

1. 读取中间Excel文件

df = pd.read_excel('table.xlsx')

2. 拆分字符串为多列
   按逗号拆分合并的字符串，expand=True会自动将拆分结果转为多列：

split_df = df['0'].str.split(',', expand=True)  # 替换'0'为实际列名

3. 清理单引号和空格
   去除每个单元格首尾的单引号和多余空格：

split_df = split_df.apply(lambda col: col.str.strip("' "))

4. 保存最终结果

split_df.to_excel('final_table.xlsx', index=False)

方法2：直接从PDF生成最终Excel（跳过中间文件） #

整合流程，无需先保存中间Excel，直接处理后输出：

import pdfplumber
import pandas as pd

# 读取PDF所有页面的表格
with pdfplumber.open('Sistema BanPara.pdf') as pdf:
    all_rows = []
    for page in pdf.pages:
        table = page.extract_table()
        if table:  # 跳过无表格的页面
            all_rows.extend(table)

# 转换为DataFrame
df = pd.DataFrame(all_rows)

# 拆分并清理列
if not df.empty:
    # 拆分合并的字符串列
    split_df = df[0].str.split(',', expand=True)
    # 去除单引号和空格
    split_df = split_df.apply(lambda col: col.str.strip("' "))
    # 保存最终表格
    split_df.to_excel('final_table.xlsx', index=False)

内容的提问来源于stack exchange，提问作者Ana Fortes