pdfplumber能否提取扫描版PDF文件中的表格数据？

为什么pdfplumber提取失败 #

pdfplumber仅适配带可提取文本层的计算机生成PDF，扫描版PDF本质是图片集合，没有内嵌文本、表格边框等结构化元数据，因此你调用extract_tables()返回None是正常结果，不存在调整pdfplumber参数即可直接提取的可能性。

非手动提取可行方案 #

无需全量手动录入，可通过OCR+表格识别的流程完成提取，按实现难度分为两类：

• 工具化方案（无代码基础可选）
  1. 用支持OCR识别的PDF工具（如ABBYY FineReader、WPS PDF转换功能）对扫描PDF做识别，导出带可选中文字层的新PDF
  2. 对新生成的带文本层的PDF，再用你现有的pdfplumber代码提取表格即可，规则清晰的印刷表格准确率可达90%以上，仅需少量人工校验
• 代码实现方案（有开发基础可选）
  直接调用支持表格识别的开源OCR库处理，无需中转PDF，示例用PaddleOCR的代码如下：

  from paddleocr import PaddleOCR
  
  # 初始化模型，开启表格识别能力，中文场景设置lang='ch'
  ocr = PaddleOCR(use_angle_cls=True, lang='ch', table=True, show_log=False)
  # 直接传入扫描版PDF路径即可，也支持传入单页图片路径
  result = ocr.ocr('test.pdf', cls=True)
  # 识别得到的表格结果可直接导出为csv格式存储
  

  该方案对印刷规整的历史统计表格识别准确率通常在95%以上，仅需核对合并单元格、模糊区域的数值即可。

提示：如果你的扫描件存在倾斜、模糊、手写标注的情况，识别前可先做图像矫正、去噪预处理，能大幅提升识别准确率。

内容的提问来源于stack exchange，提问作者Tototulbi