如何使用Python提取指定格式PDF文本并按要求导出为CSV文件

PyPDF2 自带的extractText()仅按PDF内容流的绘制顺序提取字符，完全不解析表格边框、文本坐标位置、列边界这些布局信息，多列表格的内容会被直接按顺序拼成连续纯文本。你之前的代码是把整页提取到的单块文本直接写入Excel单个单元格，自然只能得到单列的错乱结果，根本没有做结构化拆分。

针对带明确边框线的表格类PDF，直接用专门做PDF表格识别的Camelot库即可，不需要手动写坐标判断逻辑，识别准确率远高于原生PyPDF2。

前置依赖安装 #

1. 先安装底层依赖Ghostscript：
   • Windows：下载官方安装包，安装后把程序路径加入系统环境变量
   • Mac：执行brew install ghostscript
   • Linux：执行sudo apt install ghostscript
2. 安装Python依赖包：

   pip install "camelot-py[cv]" pandas
   

实现代码 #

import camelot
import pandas as pd

# 读取PDF中所有页面的带边框表格
# lattice模式专门适配有可见分隔线的表格场景，匹配常规表单类PDF格式
tables = camelot.read_pdf(
    filepath="sample.pdf",
    pages="1-end",  # 传入页码范围，全本提取就写1-end
    flavor="lattice",
    line_scale=40
)

# 合并所有提取到的表格数据
df_list = []
for table in tables:
    # 打印提取报告，可查看当前表格的识别准确率
    print(table.parsing_report)
    temp_df = table.df
    # 将第一行识别为表头，可根据自己的PDF实际结构调整
    temp_df.columns = temp_df.iloc[0]
    temp_df = temp_df.drop(index=0).reset_index(drop=True)
    df_list.append(temp_df)

# 导出为符合要求的结构化CSV
final_data = pd.concat(df_list, ignore_index=True)
final_data.to_csv("structured_result.csv", index=False, encoding="utf-8-sig")
print("结构化文件导出完成")

无框线表格适配 #

如果后续遇到没有明确边框线的表格，把读取参数里的flavor改成stream即可，这个模式会根据文本块之间的空白间距判断列边界：

tables = camelot.read_pdf(
    filepath="sample.pdf",
    pages="1-end",
    flavor="stream",
    edge_tol=500
)

如果识别出现列拆分错误，微调对应模式的参数即可：

• lattice模式下调整line_scale值，数值越大对越细的表格线识别越好
• stream模式下调整edge_tol值，数值越大越容易把距离较远的文本判定为同一行

内容的提问来源于stack exchange，提问作者kkk