如何使用Python提取PDF中所有表格数据，tabula等工具识别不全如何处理

当前代码缺失前几行的原因 #

你调用tabula时使用了默认的自动表格识别逻辑，该逻辑会将它判定为“非表格内容”的标题类文本直接过滤，你测试的这份年报第3页的财务表格前几行内容刚好符合它的过滤规则，因此没有被纳入提取范围，并不是工具本身不支持提取。

修复方案 #

1. 调整tabula参数修复问题 #

关闭默认的自动猜测逻辑，手动指定表格提取范围，同时关闭自动表头推断，示例代码如下：

import tabula
import pandas as pd

# 坐标顺序为 [上边界, 左边界, 下边界, 右边界]，以下为适配该年报第3页的参考值
tables = tabula.read_pdf(
    filename,
    pages="3",
    guess=False,
    area=[80, 50, 750, 550],
    columns=[180, 250, 310, 370, 430, 490],
    output_format="dataframe",
    pandas_options={'header': None}
)
df = tables[0]
print(df)

2. 改用pdfplumber提取（更适配无框财务表格） #

pdfplumber对无框表格的识别灵活度更高，不需要复杂参数也能拿到完整内容，示例代码如下：

import pdfplumber
import pandas as pd

with pdfplumber.open(filename) as pdf:
    page = pdf.pages[2] # 页码从0开始计数，第3页对应索引2
    table = page.extract_table(text_y_tolerance=2)
    df = pd.DataFrame(table)
print(df)

是否需要使用OCR #

不需要。你使用的PDF是原生可编辑的文本类PDF，直接提取文本的准确率远高于OCR识别结果，只有扫描生成的图片类PDF才需要使用OCR工具辅助提取。

内容的提问来源于stack exchange，提问作者Trokken