如何解决Camelot提取PDF跨页表格导出Excel时列对齐错位问题

你遇到的续页列偏移是Camelot提取跨页续表的常见问题：默认配置下工具会逐页独立检测表格边界和列分割线，续页上前几列如果是空值、或者跨页位置表格线断裂，工具就会把当前页能识别到的最左侧内容判定为表格第一列，导致后面的列全部错位。以下是可直接落地的解决方法：

方案1：Camelot参数校准（无需换工具，优先尝试） #

• 核心思路：第一页提取结果正常，说明第一页的列分割坐标是准确的，强制所有分页共用这套列坐标，禁止工具逐页自动检测列，就能解决偏移问题。
• 操作步骤：
  • 先运行代码提取第一页表格，调用camelot.plot(tables[0], kind='grid')渲染带网格线的识别预览图，读取图中所有纵向列分割线的x轴坐标，按顺序记成逗号分隔的字符串，格式参考'72,145,228,310,392,475,557,640'。
  • 全页提取时传入固定列坐标，同时调整容错参数解决跨页表格线断裂问题，参考代码：

import camelot
import pandas as pd

# 替换为你从第一页拿到的实际列分割坐标
fixed_cols = '72,145,228,310,392,475,557,640'
# 全页提取，强制使用固定列分割规则
tables = camelot.read_pdf(
    filepath='你的目标文件.pdf',
    pages='all',
    flavor='lattice', # 如果你之前用stream模式提取第一页正常，就改成'stream'
    columns=fixed_cols,
    split_text=True,
    edge_tol=500, # 调大该参数忽略跨页处的表格线断裂，避免把续表识别成新表格
    line_scale=50 # lattice模式下调大该参数，增强对浅淡、不完整表格线的识别能力
)

# 逐页拼接，删除续页重复的表头行
result_list = []
for page_idx, table in enumerate(tables):
    page_df = table.df
    # 非首页的话，判断第一行是不是和首页表头一致，一致就删掉
    if page_idx > 0 and (page_df.iloc[0,0] == tables[0].df.iloc[0,0]):
        page_df = page_df.iloc[1:,:]
    result_list.append(page_df)

# 合并后导出为Excel
final_df = pd.concat(result_list, ignore_index=True)
final_df.to_excel('表格提取结果.xlsx', index=False, header=False)

方案2：换pdfplumber固定区域提取（Camelot调参无效时用） #

• 跨页续表的页面布局是完全固定的，所有页的表格位置、列宽不会变化，用pdfplumber锁定统一的表格提取区域，强制要求识别出固定列数，从根源上避免列偏移：

import pdfplumber
import pandas as pd

all_rows = []
with pdfplumber.open('你的目标文件.pdf') as pdf:
    # 先从第一页获取表格的准确边界坐标（左、上、右、下）
    first_page = pdf.pages[0]
    # 可通过first_page.extract_words()打印文字坐标调整bbox值，确保框住整个表格
    table_bbox = (60, 90, first_page.width - 50, first_page.height - 70)
    for page_idx, page in enumerate(pdf.pages):
        # 所有页面都裁剪到统一的表格区域再提取
        cropped_page = page.crop(table_bbox)
        page_table = cropped_page.extract_table(table_settings={
            "vertical_strategy": "lines",
            "horizontal_strategy": "lines",
            "min_columns": 7, # 强制识别7列，缺列自动补空值，避免列前移
            "snap_tolerance": 5
        })
        # 跳过续页的重复表头
        if page_idx > 0:
            page_table = page_table[1:]
        all_rows.extend(page_table)

# 导出Excel
pd.DataFrame(all_rows).to_excel('表格提取结果.xlsx', index=False)

方案3：PDF预处理后再提取（以上方法都有误差时用） #

• 先对PDF做结构修复：用PDF编辑工具裁掉所有页面的页眉、页脚和页边冗余空白，再把所有页面纵向拼接成一个单长页PDF，此时整个跨页表格会变成一个连续无分页的完整表格，再用任意表格提取工具处理都不会出现跨页错位问题。

提取完成后重点抽查第2页及之后的内容，核对原本错位的第6、7列数据位置是否正确，空值较多的列要逐行确认有没有内容偏移。

内容的提问来源于stack exchange，提问作者Clementine