如何用Python/JavaScript提取PDF表格、键值对文本并存为指定格式Excel

问题描述 #

• 需求：从同时包含表格、键值对两类数据的PDF中提取内容，按结构化格式存入Excel
• 原有PyPDF2实现仅能将整页提取的文本全部写入Excel单个单元格，无法实现分字段、分表格行列的结构化存储
• 原有代码如下：

import PyPDF2
import openpyxl

from openpyxl import Workbook

pdfFileObj = open('sample.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pdfReader.numPages

pageObj = pdfReader.getPage(0)
mytext = pageObj.extractText()


wb = Workbook()
sheet = wb.active
sheet.title = 'MyPDF'
sheet['A1'] = mytext

wb.save('sample.xlsx')
print('Save')

问题根因 #

PyPDF2自带的extractText()方法仅按PDF内部文本流的顺序拼接字符，不会识别版面布局、表格行列结构、键值对的位置对应关系，输出的是无结构的整段文本，无法直接按单元格拆分写入Excel。

实现方法 #

用pdfplumber替换PyPDF2做内容提取，该库支持获取每个文本块的坐标信息、自动识别表格的行列结构，可以分别处理键值对和表格内容，再按规则写入Excel对应位置。

1. 安装所需依赖：

pip install pdfplumber openpyxl

2. 参考实现代码：

import pdfplumber
from openpyxl import Workbook

# 初始化Excel工作簿
wb = Workbook()
sheet = wb.active
sheet.title = 'PDF提取结果'

with pdfplumber.open("sample.pdf") as pdf:
    # 单页处理示例，多页PDF可循环遍历pdf.pages
    page = pdf.pages[0]
    
    # 提取全页文本按行拆分
    full_text = page.extract_text()
    text_lines = [line.strip() for line in full_text.split('\n') if line.strip()]
    
    # 自动提取页面内所有表格，返回按行列拆分的二维数组
    page_tables = page.extract_tables()
    
    write_row = 1
    # 先写入键值对类内容
    for line in text_lines:
        # 过滤掉属于表格内容的行，避免重复写入
        is_table_line = False
        for table in page_tables:
            for row in table:
                row_content = ''.join([cell.strip() for cell in row if cell])
                if line in row_content:
                    is_table_line = True
                    break
            if is_table_line:
                break
        if is_table_line:
            continue
        
        # 按中英文冒号拆分键和值，写入相邻两列
        if '：' in line:
            key, val = line.split('：', 1)
            sheet.cell(row=write_row, column=1, value=key.strip())
            sheet.cell(row=write_row, column=2, value=val.strip())
            write_row += 1
        elif ':' in line:
            key, val = line.split(':', 1)
            sheet.cell(row=write_row, column=1, value=key.strip())
            sheet.cell(row=write_row, column=2, value=val.strip())
            write_row += 1
    
    # 空一行后写入表格内容
    write_row += 1
    for table in page_tables:
        for row in table:
            for col_idx, cell_content in enumerate(row, start=1):
                if cell_content:
                    sheet.cell(row=write_row, column=col_idx, value=cell_content.strip())
            write_row += 1
        # 多个表格之间空一行分隔
        write_row += 1

wb.save('结构化提取结果.xlsx')

如果PDF版式固定，可以通过指定坐标范围单独提取键值对区域、表格区域，进一步提升提取准确率，避免内容错漏。

内容的提问来源于stack exchange，提问作者kkk