如何用Python的tabula库提取PDF中的多个表格？单个表格可正常提取

你遇到的问题很常见——默认情况下tabula.read_pdf()只会提取PDF里的第一个表格。要获取所有表格，只需要调整几个关键参数就行，下面是具体的解决方案：

核心方法：提取所有页面的所有表格 #

通过指定pages='all'和multiple_tables=True两个参数，让Tabula遍历PDF的所有页面并识别每个页面中的多个表格，最终返回一个包含所有表格DataFrame的列表。

示例代码：

from tabula import read_pdf

# 提取PDF中所有页面的所有表格
all_tables = read_pdf(
    r"C:\Users\Himanshu Poddar\Desktop\pdf_file.pdf",
    pages='all',
    multiple_tables=True
)

# 遍历并查看每个表格
for index, table in enumerate(all_tables):
    print(f"=== 第 {index+1} 个表格 ===")
    print(table)
    print("\n")

进阶技巧 #

• 指定特定页面提取
  如果你不需要所有页面的表格，可以直接指定页码（支持单个页码、多个页码或范围）：

  # 提取第2页和第4-6页的表格
  target_tables = read_pdf(
      r"C:\Users\Himanshu Poddar\Desktop\pdf_file.pdf",
      pages='2,4-6',
      multiple_tables=True
  )
  

• 优化表格识别精度
  如果某些表格识别不准确，可以根据PDF的类型调整识别模式：

  • 对于带明确边框的点阵式表格，添加lattice=True参数
  • 对于无明确边框的流式表格，添加stream=True参数

  # 针对点阵式表格优化提取
  lattice_tables = read_pdf(
      r"C:\Users\Himanshu Poddar\Desktop\pdf_file.pdf",
      pages='all',
      multiple_tables=True,
      lattice=True
  )
  

• 直接访问单个表格
  返回的列表中每个元素对应一个表格，你可以通过索引直接定位：

  # 获取第二个表格
  second_table = all_tables[1]
  

内容的提问来源于stack exchange，提问作者user9375916