批量爬取多页PDF表格导出Excel时camelot、tabula失效解决方案咨询

首先先排查目标PDF的类型，再对应选择适配方案：

情况1：目标为扫描件/图像型PDF #

camelot、tabula仅支持原生可编辑文本PDF，无法识别图像中的表格内容，需先做OCR预处理：

• 可使用pytesseract+pdf2image先将PDF每页转为文本，再用正则或表格结构匹配规则提取表格
• 也可直接使用layoutparser文档解析库，调用预训练的表格检测模型直接提取图像PDF中的表格内容

情况2：目标为原生可编辑PDF但结构复杂 #

优先使用pdfplumber库，它对复杂布局、无明确边界线的表格适配性远高于camelot、tabula，可直接参考如下批量提取代码：

import pdfplumber
import pandas as pd
import os

# 配置路径
BASE_PATH = os.path.dirname(os.path.abspath(__file__))
PDF_FOLDER = os.path.join(BASE_PATH, "替换为你的PDF文件夹路径")
OUTPUT_PATH = os.path.join(BASE_PATH, "表格提取结果.xlsx")

all_extracted_tables = []

# 遍历所有PDF
for file_name in os.listdir(PDF_FOLDER):
    if not file_name.lower().endswith(".pdf"):
        continue
    pdf_full_path = os.path.join(PDF_FOLDER, file_name)
    with pdfplumber.open(pdf_full_path) as pdf:
        # 遍历PDF每一页
        for page_idx, page in enumerate(pdf.pages, start=1):
            # 可根据实际表格格式调整提取参数
            tables = page.extract_tables(table_settings={
                "vertical_strategy": "text", # 按文本位置判断垂直分割线
                "horizontal_strategy": "text", # 按文本位置判断水平分割线
                "intersection_x_tolerance": 5, # x坐标容差
                "intersection_y_tolerance": 5 # y坐标容差
            })
            # 处理提取到的每个表格
            for table_idx, table in enumerate(tables, start=1):
                # 首行作为表头，其余为内容
                df = pd.DataFrame(table[1:], columns=table[0])
                # 标记来源信息方便核对
                df["来源文件"] = file_name
                df["页码"] = page_idx
                df["表格序号"] = table_idx
                all_extracted_tables.append(df)

# 导出为Excel
if all_extracted_tables:
    merged_df = pd.concat(all_extracted_tables, ignore_index=True)
    merged_df.to_excel(OUTPUT_PATH, index=False)

如果提取结果仍有错位，可调用page.debug_tablefinder()输出当前页面的表格检测结果，调整table_settings中的容差、最小单元格尺寸等参数适配你的PDF格式。

其他特殊场景适配 #

• 若PDF为加密文件，先通过pikepdf库解密后再提取：pikepdf.open(加密文件路径, password="你的PDF密码").save(解密后保存路径)
• 若表格存在大量合并单元格、嵌套结构，可先提取PDF全页文本后按表格的行特征手动切割，再拼接为DataFrame导出。

内容的提问来源于stack exchange，提问作者seanb-latex