如何用Python从扫描PDF手册中提取表格至Excel？

问题核心 #

Camelot、PyMuPDF这类工具仅支持文本型PDF，你的PDF是扫描生成的图片格式，无直接可读取的文本层，因此无法被这类工具识别。必须通过OCR（光学字符识别）技术先将图片中的表格内容转化为结构化文本，再导出至Excel。

方案一：先转可搜索PDF，再复用Camelot处理 #

先用OCR工具给PDF添加文本层，再用你原有的Camelot代码处理：

1. 安装依赖：

pip install ocrmypdf camelot-py[cv] pandas

（需提前安装Tesseract OCR引擎，前往官网下载对应系统版本）

2. 生成带文本层的PDF：

import ocrmypdf

# 将扫描PDF转换为可搜索PDF，同时矫正倾斜
ocrmypdf.ocr("C:/Users/Vibes/Desktop/Projects/.pdf/Camelot.pdf", "C:/Users/Vibes/Desktop/Projects/.pdf/Camelot_ocr.pdf", deskew=True)

3. 用原有代码处理新PDF并导出：

import camelot
import pandas as pd

file = r"C:/Users/Vibes/Desktop/Projects/.pdf/Camelot_ocr.pdf"

tables = camelot.read_pdf(file, pages='all', flavor="stream", encoding="utf-8")

master_DF = pd.DataFrame()
new_header = None

for i in range(tables.n):
    if i == 0:
        new_header = tables[i].df.iloc[4] 
        tables[i].df = tables[i].df[5:]
        tables[i].df.columns = new_header
        master_DF = pd.concat([master_DF, tables[i].df], axis=0, ignore_index=True)
    else:
         tables[i].df = tables[i].df[1:]
         tables[i].df.columns = new_header
         master_DF = pd.concat([master_DF, tables[i].df], axis=0, ignore_index=True)

# 导出到Excel
master_DF.to_excel("extracted_table.xlsx", index=False)

方案二：直接提取PDF图片，用Tesseract识别表格结构 #

如果方案一精度不足，可直接处理PDF图片并提取表格：

1. 安装依赖：

pip install pdf2image pytesseract pandas openpyxl

（需安装Tesseract引擎，未添加环境变量时需在代码中指定路径）

2. 代码示例：

from pdf2image import convert_from_path
import pytesseract
import pandas as pd
from pytesseract import Output

# 若Tesseract未添加到系统环境变量，取消注释并填写路径
# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

pdf_path = r"C:/Users/Vibes/Desktop/Projects/.pdf/Camelot.pdf"
images = convert_from_path(pdf_path)

master_DF = pd.DataFrame()

for img in images:
    # 提取结构化OCR数据
    ocr_data = pytesseract.image_to_data(img, output_type=Output.DATAFRAME, lang='eng', config='--psm 6 --oem 3')
    
    # 过滤无效空文本行
    valid_rows = ocr_data[ocr_data['text'].notna() & (ocr_data['text'] != '')]
    
    # 按行分组（取整top坐标作为行标识，适配表格行对齐）
    valid_rows['row'] = valid_rows['top'].round(-1)
    table_rows = valid_rows.groupby('row')['text'].apply(list).tolist()
    
    # 转为DataFrame并合并
    if table_rows:
        temp_df = pd.DataFrame(table_rows[1:], columns=table_rows[0])
        master_DF = pd.concat([master_DF, temp_df], ignore_index=True)

# 导出到Excel
master_DF.to_excel("extracted_table.xlsx", index=False)

注意事项 #

• Tesseract识别精度依赖PDF清晰度，若存在倾斜、模糊，可先做去噪、矫正预处理。
• 复杂表格可调整Tesseract的psm参数，比如--psm 4适配列对齐式表格。
• 超复杂表格可尝试商业OCR服务（如Google Cloud Vision、Amazon Textract），精度更高。

内容的提问来源于stack exchange，提问作者Toni