如何将pdfplumber extract_table()输出正确格式化为DataFrame？

问题 #

已通过pdfplumber提取无水平线PDF表格，接近成功但无法将提取的数据转换为可用于DataFrame的格式。目标表格包含12条商品数据（含编号、名称、数量、单价、税率、金额等字段），需排除底部从“Samtals ISK...”开始的总计部分。

当前使用代码：

# Extract text and table from pdf.
with pdfplumber.open(file_path) as invoice:
    page = invoice.pages[0]
    text = page.extract_text().split('\n')
    table = page.extract_table(table_settings={"vertical_strategy": "text", 
                                               "horizontal_strategy": "lines"})
table

当前输出的table将每列的多行数据合并为带换行符的字符串，无法直接生成每行对应一条商品的DataFrame，输出示例：

[['',
  '7159\n7156\n7154\n7155\n7158\n7157\n7160\n5013\n5014\n5015\n5025\n5017',
  'Hummus\nGuacamole\nChili Mayo\nSalsa\nTzatzikisósa\nPestó\nGarlic oil\nSætkartöflusalat\nRauðrófur\nBrokkolísalat\nBrokkoli\nSalat',
  'Samtal\n11% VS\nSamtal',
  '1\n1\n2\n1\n1\n1\n1\n5\n6\n1\n2\n1\ns \nK\ns',
  '0\n0\n0\n0\n0\n0\n0\n0\n0\n0\n0\n8\nISK\nISK',
  'án VS\n með',
  '809,00\n2.170,00\n444,00\n812,00\n713,00\n909,00\n1.886,00\n1.205,00\n1.683,00\n1.391,00\n1.362,00\n1.980,00\nK\nVSK',
  '11\n11\n11\n11\n11\n11\n11\n11\n11\n11\n11\n11',
  '8.090\n21.700\n8.880\n8.120\n7.130\n9.090\n18.860\n60.250\n100.980\n13.910\n27.240\n35.640\n319.890\n35.188'],
 [None, None, None, None, None, None, None, None, None, '355.078']]

需解决：将合并的列数据拆分，生成每行对应一条商品的结构化数据，用于DataFrame。

解决方案 #

无需更换提取方式，只需对现有提取结果做格式化处理即可，步骤如下：

1. 提取核心数据块 #

先取出包含商品数据的第一行（排除总计行）：

import pandas as pd

# 取出商品数据行，排除总计行
data_row = table[0]

2. 拆分并清理每列数据 #

对每个列的字符串按\n拆分，过滤掉无关的冗余文本，只保留12条商品对应的数据：

# 拆分商品编号：直接取前12个（对应12条商品）
item_codes = data_row[1].split('\n')[:12]
# 拆分商品名称：直接取前12个
item_names = data_row[2].split('\n')[:12]
# 拆分数量：过滤掉"s"、"K"这类冗余文本，取前12个数字
quantities = [x for x in data_row[4].split('\n') if x.strip().isdigit()][:12]
# 拆分单价：过滤掉"K"、"VSK"，取前12个含逗号的金额值
unit_prices = [x for x in data_row[7].split('\n') if ',' in x][:12]
# 拆分税率：直接取前12个
tax_rates = data_row[8].split('\n')[:12]
# 拆分金额：取前12个（排除后续的小计、总计值）
amounts = data_row[9].split('\n')[:12]

3. 组装为DataFrame #

将清理后的列表组合成字典，转换为标准DataFrame：

# 组装结构化数据
structured_data = {
    "商品编号": item_codes,
    "商品名称": item_names,
    "数量": quantities,
    "单价": unit_prices,
    "税率(%)": tax_rates,
    "金额": amounts
}

# 转换为DataFrame
df = pd.DataFrame(structured_data)
print(df)

代码说明 #

• 通过特征判断（比如金额含逗号、数量为数字）过滤冗余文本，确保只保留商品行数据
• 取前12个元素是匹配目标表格的商品数量，可根据实际表格行数调整
• 最终生成的DataFrame每行对应一条商品数据，可直接用于后续分析或导出

内容的提问来源于stack exchange，提问作者GT1992