如何将PDF中的数据转换为可操作的pandas DataFrame？

1. 提取PDF文本 #

优先用pdfplumber工具，它对文本位置的识别更精准，方便定位底部内容。先安装依赖：

pip install pdfplumber pandas

提取目标页面文本的代码：

import pdfplumber

# 替换为你的PDF文件路径
with pdfplumber.open("sample.pdf") as pdf:
    # 取最后一页（数据在倒数第N页就改[-N]）
    target_page = pdf.pages[-1]
    full_text = target_page.extract_text()

2. 定位目标数据段 #

根据PDF里数据的前后固定标识截取内容：

# 替换为你PDF里数据起始的关键词
start_mark = "目标数据开始的标识文本"
# 数据有结束标识就填，没有就注释掉该行
end_mark = "目标数据结束的标识文本"

start_pos = full_text.find(start_mark)
if end_mark:
    end_pos = full_text.find(end_mark, start_pos)
    target_text = full_text[start_pos:end_pos].strip()
else:
    target_text = full_text[start_pos:].strip()

# 按行拆分并清理空行
clean_lines = [line.strip() for line in target_text.split("\n") if line.strip()]

3. 转换为DataFrame #

根据数据的实际格式调整拆分逻辑：

• 键值对格式（比如"名称: 张三"）：

import pandas as pd

data_list = []
for line in clean_lines:
    # 按冒号拆分，处理两侧空格
    key, val = [item.strip() for item in line.split(":", maxsplit=1)]
    data_list.append({"字段": key, "值": val})

df = pd.DataFrame(data_list)

• 多列结构化数据（比如每行用空格分隔多列内容）：

# 替换为实际的列名
col_names = ["列1", "列2", "列3"]
data_list = []
for line in clean_lines:
    # 按空格拆分，过滤多余空格
    cols = [item for item in line.split() if item]
    data_list.append(dict(zip(col_names, cols)))

df = pd.DataFrame(data_list)

4. 正则匹配进阶方案 #

如果数据有固定格式，用正则直接提取更高效，比如匹配所有"XX: 数值"的内容：

import re

# 正则模式根据实际数据调整
pattern = r"(\S+):\s*([\d\w\s]+)"
matches = re.findall(pattern, target_text)
df = pd.DataFrame(matches, columns=["字段", "数值"])

内容的提问来源于stack exchange，提问作者Crazy Apple