使用Tabula提取PDF表格为CSV：解决单元格文本跨行拆分问题

针对你用tabula提取PDF表格时，同一单元格文本被拆分为多行的问题，以下是几个纯文本处理的解决方案：

1. 优化tabula参数，精准识别列边界 #

默认的lattice模式依赖表格边框识别，若PDF边框不清晰就会出错，改用stream模式结合指定列坐标，能更准确识别单元格范围：

步骤： #

• 先用tabula的GUI工具（通过tabula命令行启动）打开PDF，手动标记列的分隔位置，获取坐标值（比如示例中的100, 500, 800）
• 用以下代码提取：

import tabula
import pandas as pd

# stream模式基于文本布局识别，columns指定列分隔坐标，guess=False禁用自动猜测
df = tabula.read_pdf(
    '045632_2023.pdf',
    pages='all',
    stream=True,
    guess=False,
    columns=[100, 500, 800]  # 替换为你实际的列坐标
)

# 合并所有页的表格（如果有多页）
combined_df = pd.concat(df, ignore_index=True)
combined_df.to_csv('result.csv', index=False)

2. 提取后合并同一单元格的多行文本 #

如果调整参数后仍有部分单元格拆分，可通过pandas对提取后的DataFrame进行后处理，合并同一单元格的零散行：

import tabula
import pandas as pd

df = tabula.read_pdf('045632_2023.pdf', pages='all', lattice=True)
combined_df = pd.concat(df, ignore_index=True)

# 处理每一列：填充空值并合并连续行的文本
for col in combined_df.columns:
    # 用前一行的值填充空单元格（适用于单元格跨行的情况）
    combined_df[col] = combined_df[col].fillna(method='ffill')
    # 按非空单元格的分组，合并同一单元格的多行文本
    combined_df[col] = combined_df.groupby(combined_df[col].notna().cumsum())[col].transform(
        lambda x: '\n'.join(x.dropna().astype(str))
    )

# 去重（因为分组后会重复）
combined_df = combined_df.drop_duplicates().reset_index(drop=True)
combined_df.to_csv('result.csv', index=False)

3. 使用tabula命令行工具（更稳定） #

有时候Python API的参数限制较多，直接用tabula-java的命令行工具能获得更灵活的控制：

# stream模式提取，指定列坐标，输出为CSV
tabula --pages all --stream --columns 100,500,800 --output result.csv 045632_2023.pdf

4. 尝试camelot库（替代tabula的文本提取工具） #

camelot同样基于文本处理，对复杂表格的识别能力更强：

import camelot

# flavor='stream'适用于无严格边框的表格，split_text=False避免拆分单元格内文本
tables = camelot.read_pdf(
    '045632_2023.pdf',
    pages='all',
    flavor='stream',
    split_text=False
)

# 合并所有表格并保存
combined_df = pd.concat([table.df for table in tables], ignore_index=True)
combined_df.to_csv('result.csv', index=False)

内容的提问来源于stack exchange，提问作者R. Carrillo