如何用Python Pandas将PDF转CSV？解决时间列AM换行问题

PDF文本提取时，因原文档布局问题，Time列的AM/PM后缀会被单独拆分为下一行，导致时间格式不完整。可以通过以下修改后的代码修复这个问题，同时完成PDF到CSV的转换：

import re
import pdfplumber
import pandas as pd

file = "Battery Voltage.pdf"
lines = []

with pdfplumber.open(file) as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        for line in text.split('\n'):
            stripped_line = line.strip()
            # 判断当前行是否是AM/PM后缀，是的话合并到上一行
            if re.fullmatch(r'(AM|PM)', stripped_line, re.IGNORECASE):
                if lines:
                    lines[-1] = f"{lines[-1]} {stripped_line}"
                continue
            lines.append(stripped_line)

# 提取表头与数据（根据实际PDF列调整）
columns = ["Time", "Battery Voltage (V)"]
data = []
header_skipped = False

for line in lines:
    # 跳过表头行
    if not header_skipped:
        header_skipped = True
        continue
    # 用至少两个空格拆分列，避免时间内的空格干扰
    row_parts = re.split(r'\s{2,}', line)
    if len(row_parts) == len(columns):
        data.append(dict(zip(columns, row_parts)))

# 生成CSV文件
df = pd.DataFrame(data)
df.to_csv("battery_voltage.csv", index=False)
print("转换完成，已生成battery_voltage.csv")

关键处理逻辑： #

• 识别单独成行的AM/PM，将其合并到上一行的时间字段末尾，修复完整时间格式
• 使用多空格作为列分隔符拆分每行数据，避免时间中的空格导致列拆分错误
• 跳过表头行后，将整理好的行数据转为DataFrame，最终导出为CSV

内容的提问来源于stack exchange，提问作者aparna podili