如何将含图片数据的PDF文件转换为CSV或Excel格式表格数据

待识别的表格图片：

方法1：用办公软件直接转换（适合单次少量操作） #

• 先从PDF中导出目标表格图片，可直接用PDF阅读器截图保存为PNG格式。
• 打开WPS/Office 365，选择「插入」-「图片」，导入保存的表格图片。
• 右键点击插入的图片，选择「提取表格」，等待OCR识别完成。
• 核对识别出来的表格内容，修正数字、特殊字符等识别错误的部分，直接保存为.xlsx格式，或者另存为CSV格式即可。

方法2：用Python脚本处理（适合批量操作） #

• 提前安装依赖：首先安装Tesseract OCR引擎，再安装Python依赖包，执行命令pip install pytesseract pillow pandas openpyxl。
• 先对图片做预处理，调整对比度、去除噪点提升识别准确率，再调用pytesseract识别表格结构化内容，用pandas整理成表格后导出。核心逻辑参考：

import pytesseract
from PIL import Image
import pandas as pd

# 读取预处理后的图片
img = Image.open("表格图片.png")
# 识别表格内容
ocr_data = pytesseract.image_to_data(img, output_type=pytesseract.Output.DATAFRAME)
# 过滤无效内容后整理成表格结构
processed_df = ocr_data[ocr_data["conf"] > 80][["text", "left", "top"]]
# 根据表格行列坐标整理成标准表格后导出
processed_df.to_excel("输出结果.xlsx", index=False)
processed_df.to_csv("输出结果.csv", index=False)

• 若需批量处理多个PDF中的图片表格，可配合pdf2image库将PDF页面批量转成图片后统一识别。

注意事项 #

• OCR识别结果存在误差，导出前务必和原始图片内容核对，修正识别错误的内容后再保存。

内容的提问来源于stack exchange，提问作者SaQuiB