使用tabula、tabulate导出PDF表格出现多列合并异常问题咨询

出现前三列被识别为同一列的核心原因是tabula默认自动列检测逻辑误判了列边界，可通过以下方法解决： #

方案1：手动指定列边界（准确率最高） #

手动传入每列左侧的x轴坐标（单位为磅，从PDF页面左边缘开始计算），关闭自动列检测即可：

import tabula
# 替换为实际测量的5列对应的左侧x坐标
custom_columns = [45, 110, 190, 270, 350]
df_list = tabula.read_pdf(
    "你的PDF文件路径.pdf",
    pages="1", # 替换为表格所在的页码，all代表所有页
    columns=custom_columns,
    guess=False, # 关闭自动列检测，强制使用自定义边界
    lattice=True # 有边框表格加该参数，无边框表格替换为stream=True
)
target_df = df_list[0]

坐标可以通过PDF阅读器开启坐标显示功能查看，也可以先运行一次不带columns参数的代码，输出默认识别的列坐标后再微调。 #

方案2：读取后拆分合并列 #

如果不想调整读取参数，可以对已读取到的合并列直接拆分：

import pandas as pd
# 假设合并的前三列存储在df的第一列中，按空格拆分2次得到3个新列
target_df[["第一列", "第二列", "第三列"]] = target_df.iloc[:,0].str.split(
    expand=True, 
    n=2 # 最多拆分2次，避免内容本身带空格导致拆分错误
)
# 删除原始合并列
target_df = target_df.drop(target_df.columns[0], axis=1)

额外注意事项 #

• 如果是扫描版PDF，需要先通过OCR工具转换为可检索PDF后再用tabula读取
• 如果表格周围有其他无关内容，可以添加area=[top, left, bottom, right]参数指定表格所在的页面区域，减少干扰

内容的提问来源于stack exchange，提问作者YIF99