如何用Python正确读取PDF表格中的特殊字符与字体？

我之前也碰到过Tabula读取带特殊字体/字符的PDF表格时乱码的情况，结合自己踩过的坑和社区的解决方案，给你几个可行的尝试方向：

1. 给Java层强制指定编码 #

Tabula的Python封装其实是调用底层的tabula-java程序，Python层的编码设置有时候传不到Java那边，所以直接给JVM加编码参数大概率能解决问题：

from tabula import read_pdf

df = read_pdf(
    "Tables PDF.pdf",
    pages='5',
    lattice=True,
    multiple_tables=True,
    java_options=["-Dfile.encoding=UTF-8"]  # 关键：让Java用UTF-8处理字符
)

2. 切换到stream模式试试 #

如果你PDF里的表格是文本流排版（哪怕看起来有格子），换成stream=True的模式，有时候对特殊字符的识别逻辑更友好：

df = read_pdf(
    "Tables PDF.pdf",
    pages='5',
    stream=True,  # 替换原来的lattice参数
    multiple_tables=True,
    java_options=["-Dfile.encoding=UTF-8"]
)

3. 换工具组合：先提取文本再解析表格 #

如果Tabula本身搞不定，说明PDF的字体嵌入有问题（比如特殊字符是自定义字体渲染的），可以先把PDF转成纯文本，再手动解析成表格：

用pdfplumber提取文本再转DataFrame #

import pdfplumber
import pandas as pd

with pdfplumber.open("Tables PDF.pdf") as pdf:
    page = pdf.pages[4]  # 注意：pdfplumber的页码从0开始，对应第5页
    raw_text = page.extract_text()

# 按行拆分，再按制表符分割列（如果你的表格是用制表符分隔的）
rows = [line.split('\t') for line in raw_text.split('\n') if line.strip()]
df = pd.DataFrame(rows[1:], columns=rows[0])  # 假设第一行是表头

试试Camelot替代Tabula #

Camelot是另一个专门提取PDF表格的工具，对特殊字符的兼容性有时候比Tabula好：

import camelot

# 同样支持lattice和stream两种模式
tables = camelot.read_pdf("Tables PDF.pdf", pages='5', flavor='lattice')
df = tables[0].df

4. 后处理修复乱码 #

如果已经读出乱码，可以先检测字符的实际编码，再手动转码：

import chardet

# 取乱码的样本检测编码
sample_bytes = df1.iloc[3,6].encode('raw_unicode_escape')
detected_encoding = chardet.detect(sample_bytes)['encoding']

# 转成UTF-8
df1.iloc[3,6] = sample_bytes.decode(detected_encoding).encode('utf-8').decode('utf-8')

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