用Python将PDF表格提取到文本、CSV和Excel文件中

从PDF文档中提取表格并将其转换为更易于处理的格式（如文本、CSV和Excel文件），是数据分析和信息管理中的常见需求。此过程可显著简化表格数据的处理，使数据的操作、分析和与其他数据集的集成更加便捷。无论是财务报表、研究论文，还是包含结构化信息的其他文档，掌握这些表格准确转换的方法对于充分发挥数据潜力至关重要。

本文将介绍如何使用简单的Python代码从PDF文档中提取表格数据并将其写入文本、CSV和Excel文件，从而轻松实现PDF表格的自动化提取。

本文所需的库为Spire.PDF for Python。可通过PyPI安装：pip install spire.pdf。

用于操作的示例PDF

如何使用Python提取PDF表格数据

库中的PdfTableExtractor类用于处理PDF文档的表格提取。可以通过PdfTableExtractor.ExtractTable(pageIndex: int)方法从PDF页面中提取表格，并以Utilities_PdfTable对象的集合形式返回表格数据。接着，可通过遍历表格并使用Utilities_PdfTable.GetCellText(rowIndex: int, columnIndex: int)方法获取每个单元格中的数据。

提取PDF表格数据的一般步骤如下：

• 创建一个PdfDocument实例并使用PdfDocument.LoadFromFile()方法加载PDF文档。
• 使用该文档创建PdfTableExtractor实例。
• 使用PdfTableExtractor.ExtractTable(pageIndex: int)方法提取文档中每页的表格。
• 遍历每个表格并使用Utilities_PdfTable.GetCellText(rowIndex: int, columnIndex: int)方法获取单元格值。
• 将提取的表格数据写入其他文件。

注意：当使用提取的表格数据构建字符串时，如果单元格文本中包含换行符，最终生成的文本文件中可能会多出额外的换行符。为了避免造成混淆，应将这些换行符去除或替换为空格。

用Python将PDF表格数据提取为文本文件

提取PDF文档中的表格数据后，可直接将每个表格的数据写入字符串并保存到文本文件中，从而实现将PDF表格数据导出为文本文件。

具体步骤如下：

1. 导入所需模块：PdfDocument和PdfTableExtractor。
2. 创建PdfDocument实例并使用PdfDocument.LoadFromFile()方法加载PDF文档。
3. 使用该文档创建PdfTableExtractor实例。
4. 使用PdfTableExtractor.ExtractTable(pageIndex: int)方法提取每页中的表格。
5. 遍历提取的表格：
   • 创建一个str对象以存储表格数据。
   • 使用Utilities_PdfTable.GetCellText(rowIndex: int, columnIndex: int)方法获取单元格值。
   • 将单元格值追加到str对象中。
   • 将str对象写入文件。
6. 释放资源。

代码示例

from spire.pdf import PdfDocument, PdfTableExtractor

# 创建一个 PdfDocument 对象
pdf = PdfDocument()
# 加载一个 PDF 文档
pdf.LoadFromFile("Sample.pdf")

# 创建一个 PdfTableExtractor 对象
extractor = PdfTableExtractor(pdf)

# 遍历所有页面
for pageIndex in range(pdf.Pages.Count):
    # 从每个 PDF 页面中提取表格
    tables = extractor.ExtractTable(pageIndex)
    # 如果存在多个表格，则遍历这些表格
    if tables is not None:
        for tableIndex in range(len(tables)):
            # 获取一个表格
            table = tables[tableIndex]
            # 创建一个字符串对象来存储表格数据
            tableData = ""
            # 遍历表格的行和列
            for rowIndex in range(table.GetRowCount()):
                for colIndex in range(table.GetColumnCount()):
                    # 获取单元格文本
                    text = table.GetText(rowIndex, colIndex)
                    text = text