使用Camelot将PDF表格转换为Pandas DataFrame时的多列文件解析异常问题

我最近在搭建一套简便的PDF表格数据提取工具，目标是把PDF里的表格直接转成Pandas DataFrame，基础代码如下：

import camelot
import pandas as pd
pdf = camelot.read_pdf("file1.pdf")
print(pdf[0].df)

测试了两个PDF文件后遇到了一个奇怪的问题：

• File 1用默认配置就能完美解析，表格数据完整提取到DataFrame里
• File 2默认情况下完全拿不到任何数据——它的列数确实比File 1多，但我不认为这是核心障碍。后来试着给read_pdf方法加上flavor="stream"参数，居然成功从File 2里提取到了完整的表格数据。

解析结果对比 #

File 1解析结果（默认lattice模式）

File 2解析结果（stream模式）

问题原因分析 #

Camelot默认用的lattice模式是靠PDF里的表格边框线来识别表格结构的，如果File 2的表格是无框线设计，或者边框线非常淡、甚至是用空格/缩进模拟的列分隔，lattice模式就会识别失败。而stream模式是基于文本的位置、间距来推断列的边界，刚好适配这类没有明确物理边框的表格。

后续优化建议 #

如果需要批量处理不同类型的PDF，可以考虑做个简单的逻辑判断：

• 先尝试默认的lattice模式提取，若返回的表格为空或数据异常，自动切换到stream模式
• 针对stream模式，还可以通过table_regions参数指定表格在页面的坐标范围，或者用columns手动定义列分隔的位置，进一步提升提取精度

内容的提问来源于stack exchange，提问作者Vini Cassol