如何用tabula-py提取PDF表格生成CSV？（Python3+Ubuntu环境）

嘿，针对你这个6041页的PDF表格提取需求，我推荐用tabula-py来搞定——它是专门针对PDF表格提取的Python工具，对这种每页结构固定的表格适配性特别好，完全能帮你忽略掉表格前后的冗余文本。

第一步：安装依赖（Ubuntu + Python3环境） #

因为tabula依赖Java环境，先确保系统里装了OpenJDK，再装Python库：

# 安装OpenJDK 8（tabula推荐版本）
sudo apt-get update && sudo apt-get install openjdk-8-jdk -y

# 安装Python依赖库
pip3 install tabula-py pandas

第二步：编写提取代码 #

下面是完整的脚本，会自动抓取所有页面的表格，去除重复的表头，最后导出成CSV：

import tabula
import pandas as pd

# 你的PDF文件路径
pdf_path = "Ativos_Fevereiro_2018_servidores_rj.pdf"

# 读取所有页面的表格，注意设置参数：
# pages='all' 处理所有页面
# multiple_tables=False 每页只有一个表格
# pandas_options={'header': 0} 把第一行作为表头
df_list = tabula.read_pdf(
    pdf_path,
    pages='all',
    multiple_tables=False,
    pandas_options={'header': 0}
)

# 合并所有页面的表格数据，同时去除重复的表头行
# 因为每页都有表头，所以要过滤掉那些和表头内容完全一致的行
combined_df = pd.concat(df_list)
header = combined_df.columns.tolist()
combined_df = combined_df[~combined_df.apply(lambda row: row.tolist() == header, axis=1)]

# 导出为CSV文件
combined_df.to_csv("extracted_table.csv", index=False, encoding='utf-8')

print("表格提取完成！已保存为extracted_table.csv")

进阶优化：精准限定表格区域（可选） #

如果发现偶尔会抓到表格外的文本，可以手动指定表格在页面上的坐标。你可以用tabula的GUI工具来获取坐标：

tabula --gui

打开PDF后，用鼠标框选表格区域，工具会显示对应的area参数（格式是[top, left, bottom, right]），把它加到read_pdf里：

df_list = tabula.read_pdf(
    pdf_path,
    pages='all',
    multiple_tables=False,
    pandas_options={'header': 0},
    area=[50, 20, 750, 580]  # 替换成你实际框选的坐标
)

测试建议 #

因为PDF页数太多，建议先拿前几页测试，把pages='all'改成pages='1-5'，确认提取结果没问题后再跑全部页面，避免浪费时间。

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