嘿，我刚好处理过不少PDF表格提取的需求，给你分享两个主流语言的靠谱方案，亲测能解决大部分场景！

Python 实现 #

Python有几个专门处理PDF表格的库，这里推荐两个最常用的：

1. tabula-py #

这个库对结构规整的表格支持很好，上手简单。

• 先安装：

  pip install tabula-py
  

• 示例代码：

  import tabula
  
  # 提取单页表格（比如第2页）
  df = tabula.read_pdf("你的PDF文件路径.pdf", pages=2)[0]
  # 提取多页表格（比如1-5页）
  dfs = tabula.read_pdf("你的PDF文件路径.pdf", pages="1-5")
  
  # 把提取到的表格保存为CSV
  tabula.convert_into("你的PDF文件路径.pdf", "输出文件.csv", output_format="csv", pages="all")
  

2. Camelot #

如果你的表格比较复杂（比如有合并单元格、不规则布局），Camelot会更给力，它还能评估表格提取的质量。

• 先安装（需要依赖OpenCV，所以带[cv]）：

  pip install camelot-py[cv]
  

• 示例代码：

  import camelot
  
  # 读取PDF并提取表格
  tables = camelot.read_pdf("你的PDF文件路径.pdf", pages="all")
  # 查看提取到的表格数量
  print(f"提取到 {len(tables)} 个表格")
  
  # 查看第一个表格的内容
  print(tables[0].df)
  # 保存为CSV
  tables.export("输出文件.csv", f="csv", compress=True)
  

R 实现 #

R里用tabulizer包就很方便，注意它依赖Java，所以先确保你的环境装了Java。

步骤： #

1. 安装包：

   install.packages("tabulizer")
   library(tabulizer)
   

2. 提取表格：

   # 提取单页表格
   tab <- extract_tables("你的PDF文件路径.pdf", pages = 1)
   # 转换成数据框（方便后续处理）
   df <- as.data.frame(do.call(rbind, tab), stringsAsFactors = FALSE)
   
   # 提取多页表格并合并
   tabs <- extract_tables("你的PDF文件路径.pdf", pages = 1:5)
   combined_df <- do.call(rbind, lapply(tabs, function(x) as.data.frame(x, stringsAsFactors = FALSE)))
   

小提示 #

如果你的PDF是扫描件（图片型PDF），上面的方法直接用不了，得先做OCR（光学字符识别）：

• Python可以搭配pytesseract库，先把PDF转成图片，再OCR识别文字后提取表格；
• R可以用tesseract包做类似的操作。

内容的提问来源于stack exchange，提问作者TayyabRahmani