使用Python Tabula模块转换PDF至XLSX时数据全在首列的解决方法

方法一：直接删除DataFrame第一列 #

在数据导出前，通过列索引移除第一列即可：

import tabula
df = tabula.read_pdf('Question.pdf', pages=1, lattice=True)[1]

df.columns = df.columns.str.replace('\r', ' ')
data = df.dropna()
# 删除索引为0的第一列
data = data.drop(data.columns[0], axis=1)
data.to_excel('data.xlsx', index=False)

如果已知第一列的具体名称，也可以直接传入列名替代索引，比如data.drop("冗余列名", axis=1)。

方法二：优化Tabula读取参数避免冗余列 #

若PDF表格布局导致识别出多余列，可手动指定列分割位置，或切换读取模式：

import tabula
# 根据PDF表格实际宽度，手动设置列分割的横坐标位置
df = tabula.read_pdf('Question.pdf', pages=1, lattice=True, columns=[80, 180, 280, 380])[1]

df.columns = df.columns.str.replace('\r', ' ')
data = df.dropna()
data.to_excel('data.xlsx', index=False)

columns参数的数值对应PDF页面上的横向坐标，需根据你的Question.pdf表格布局调整；也可尝试将lattice=True替换为stream=True，适配不同类型的PDF表格。

内容的提问来源于stack exchange，提问作者Yunus Emre