Python 解析财务报表中的表格数据（pdf to tables）

本文链接：https://blog.youkuaiyun.com/tmaczt/article/details/82876018

探讨使用PdfBox、iText、Tika等组件解析PDF表格数据的局限性，以及尝试使用Python进行解析所面临的难题，包括换行、表头、单元格数量不一等问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

解析PDF常用组件（PdfBox、iText、Tika等）都无法将表格数据解析成有规则的格式。解析后格式基本是TEXT、XHTML等导致处理表格数据变的非常复杂，基本需要全枚举+正则才能处理个70-80%。最近看到Python可以解析表格于是尝试了一下，不过要想让数据可用，还存在很多问题待解决。
PDF文件截图
在这里插入图片描述

Tika解析PDF文件
1、TEXT格式

Tika tika = new Tika();
tika.setMaxStringLength(100 * 1024 * 1024);
try (InputStream stream = new FileInputStream(new File("600060_2018_zB.pdf"))) {
	return tika.parseToString(stream);
}

Text格式解析结果
在这里插入图片描述
2、XHTML格式

		
ContentHandler handler = new ToXMLContentHandler();
AutoDetectParser parser = new AutoDetectParser();
Metadata metadata = new Metadata();
try (InputStream stream = new FileInputStream(new File("600060_2018_zB.pdf"))) {
	parser.parse(stream, handler, metadata);
	return handler.toString();
}