如何实现固定格式PDF表格数据自动提取并批量录入指定Excel表格

固定格式线框表格类PDF的批量提取，用针对结构化表格优化的提取工具即可实现全自动化，你之前尝试的通用文本/表单提取工具没有针对表格边界做解析，所以很难匹配到固定单元格的对应关系，以下是可直接落地的实现步骤：

1. 环境准备 #

仅需安装2个Python依赖库，无需额外付费工具：

• 表格提取工具：camelot-py[cv]，专门针对有线框的规整表格做解析，提取结果直接按单元格结构化输出，不会出现普通文本提取的内容错位问题
• Excel操作工具：openpyxl，支持精准写入Excel指定单元格，完美适配你固定表头的需求
  安装命令直接运行即可：

pip install camelot-py[cv] openpyxl

额外依赖：camelot需要调用ghostscript处理表格线，Windows系统直接搜索ghostscript官方安装包安装后添加到系统环境变量即可，Mac/Linux可直接用包管理器一键安装。

2. 单份PDF提取测试（一次配置永久复用） #

先拿1份PDF做测试，确认提取参数，所有同格式PDF都可以复用同一套参数：

import camelot
#  lattice模式专门适配有线框的表格，pages参数填你要提取的表格所在页码
tables = camelot.read_pdf("测试用纳税申报表.pdf", pages="1", flavor="lattice")
# 输出提取到的表格内容，确认每个数值对应的行/列位置和实际PDF一致
print(tables[0].df)

如果出现提取范围不对的问题，可以用Adobe Acrobat打开PDF，用测量工具拿到目标表格的四个角坐标，添加table_areas参数精准框定提取范围，示例：

tables = camelot.read_pdf("测试用纳税申报表.pdf", pages="1", flavor="lattice", table_areas=["120,720,550,220"])
# 括号内四个值对应表格左上角x、左上角y、右下角x、右下角y，按你实际测量值替换即可

3. 批量处理全量PDF写入Excel #

提前把你的固定表头Excel存为模板文件，配置好PDF提取字段和Excel单元格的对应关系后，即可一键跑全量数据：

import os
from openpyxl import load_workbook

# 加载固定表头的Excel模板
wb = load_workbook("纳税数据模板.xlsx")
ws = wb.active
# 存放所有PDF的文件夹路径
pdf_dir = "月度申报表文件夹路径"

# 遍历所有PDF文件
for row_offset, pdf_name in enumerate(os.listdir(pdf_dir)):
    if not pdf_name.endswith(".pdf"):
        continue
    # 提取表格，参数用之前测试好的固定值即可
    tables = camelot.read_pdf(os.path.join(pdf_dir, pdf_name), pages="1", flavor="lattice", table_areas=["120,720,550,220"])
    table_df = tables[0].df
    # 按你的需求对应写入指定单元格，示例：提取PDF表格第2行第3列的应纳税额，写入Excel第row_offset+2行第4列
    ws.cell(row=row_offset+2, column=4, value=table_df.iloc[1,2])
    # 其他需要提取的字段都按上述逻辑配置对应关系即可，一次配置所有PDF通用

# 保存最终结果
wb.save("合并后的全量纳税数据.xlsx")

特殊情况处理 #

如果你的PDF是扫描件而非可编辑文本版本，只需额外加一步OCR预处理，安装pytesseract和tesseractOCR引擎，先把扫描页转成可识别文本再按上述逻辑提取即可，普通可导出的电子申报表无需此步骤。

内容的提问来源于stack exchange，提问作者War_Pig