使用tabula-py提取PDF表格时列内换行致格式异常的求助

问题原因 #

表格第二列里的换行符（\n或\r\n）会打乱CSV的行分隔规则，Excel打开时会把单元格内的换行当成新行，直接导致格式错乱。

直接解决方案 #

在保存CSV之前，批量清除DataFrame所有单元格里的换行符，把换行替换成空格（或者你需要的其他分隔符）。修改后的代码如下：

import tabula
import pandas as pd

dfs = tabula.read_pdf(arquivo_nome, pages="all")

for i, df in enumerate(dfs):
    # 遍历所有单元格，清除换行符
    df = df.applymap(lambda x: x.replace('\n', ' ').replace('\r', '') if isinstance(x, str) else x)
    df.to_csv(f"page_{i+1}.csv", index=False)

针对性优化 #

• 如果只需要处理特定列（比如第二列），可以不用全表遍历，直接定位列处理，效率更高：

  # 假设第二列的列名为'B'，如果是默认索引列用df.iloc[:, 1]
  for i, df in enumerate(dfs):
      df['B'] = df['B'].apply(lambda x: x.replace('\n', ' ').replace('\r', '') if isinstance(x, str) else x)
      df.to_csv(f"page_{i+1}.csv", index=False)
  

• 如果只有特定页面（比如30页及之后）有问题，也可以只提取这些页面处理：

  dfs = tabula.read_pdf(arquivo_nome, pages="30-all")
  

内容的提问来源于stack exchange，提问作者viniwata1