pdf2docx提取跨页表格拆分为两个，求合并及转Excel解决方案

一、在pdf2docx中手动合并跨页表格 #

针对pdf2docx拆分跨页表格的问题，可以在提取后添加逻辑判断，自动合并符合特征的拆分表格：

def pdf_to_docx(pdf_file, docx_file):
    try:
        cv = Converter(pdf_file)
        tables = cv.extract_tables()
        cv.close()

        # 合并跨页表格
        merged_tables = []
        i = 0
        while i < len(tables):
            current_table = tables[i]
            # 检查下一个表格是否是当前表格的跨页延续
            if i + 1 < len(tables):
                next_table = tables[i+1]
                # 判断条件：列数相同，且下一个表格无表头（根据实际表格调整判断逻辑）
                if len(current_table[0]) == len(next_table[0]) and not is_header(next_table[0]):
                    current_table.extend(next_table)
                    i += 2
                    merged_tables.append(current_table)
                    continue
            merged_tables.append(current_table)
            i += 1

        doc = Document()
        for table in merged_tables:
            # 将合并后的表格写入docx
            table_obj = doc.add_table(rows=len(table), cols=len(table[0]))
            for row_idx, row in enumerate(table):
                for col_idx, cell in enumerate(row):
                    table_obj.cell(row_idx, col_idx).text = str(cell)
        doc.save(docx_file)
    except Exception as e:
        print(f"转换出错: {e}")

# 辅助函数：根据实际表格特征判断是否为表头行
def is_header(row):
    # 示例：表头包含特定关键词，可根据你的表格调整
    header_keywords = ["序号", "名称", "金额"]
    for cell in row:
        if any(keyword in str(cell) for keyword in header_keywords):
            return True
    return False

核心逻辑是遍历提取到的表格列表，通过列数匹配、表头判断，将跨页拆分的表格合并为一个，再写入Word文档。

二、直接转换PDF到Excel（跳过Word环节） #

既然最终目标是Excel，没必要绕Word环节，用专门的表格提取工具效率更高：

使用tabula-py（适用于可编辑PDF） #

tabula-py能直接识别PDF中的表格并转为DataFrame，对跨页表格的识别合并更准确：

import tabula
import pandas as pd

# 提取所有页面的表格
dfs = tabula.read_pdf("input.pdf", pages="all", multiple_tables=True)

# 保存到Excel，每个表格对应一个工作表
with pd.ExcelWriter("output.xlsx") as writer:
    for idx, df in enumerate(dfs):
        df.to_excel(writer, sheet_name=f"表格{idx+1}", index=False)

扫描件PDF处理 #

如果是扫描版PDF，需先通过OCR识别文本，再提取表格：

from pdf2image import convert_from_path
import pytesseract

# PDF转图片
images = convert_from_path("scan_pdf.pdf")
# 可配合EasyOCR等工具完成OCR识别与表格提取

三、利用Word自动修复跨页表格 #

如果必须先转Word，可借助Word的自带功能修复表头：

1. 手动操作：打开转换后的Word文档，选中跨页表格的表头行，点击「布局」选项卡→「重复标题行」，Word会自动在后续页面表格顶部添加表头，再保存为Excel即可识别为完整表格。
2. VBA批量处理：若表格数量多，按Alt+F11打开VBA编辑器，插入模块后运行以下代码，自动为所有表格设置重复表头：

Sub RepeatTableHeaders()
    Dim tbl As Table
    For Each tbl In ActiveDocument.Tables
        tbl.Rows(1).HeadingFormat = True
    Next tbl
End Sub

内容的提问来源于stack exchange，提问作者SCramphorn