python读取pdf表格数据

要读取 PDF 表格数据，可以使用 Python 的 PyPDF2 库和 tabula-py 库。

首先，使用 PyPDF2 库读取 PDF 文件，提取出每个页面的文本内容。例如：

import PyPDF2

pdf_file = open('example.pdf', 'rb')
pdf_reader = PyPDF2.PdfFileReader(pdf_file)

page_text = []
for page_num in range(pdf_reader.numPages):
    page = pdf_reader.getPage(page_num)
    page_text.append(page.extractText())
pdf_file.close()

接下来，使用 tabula-py 库解析表格数据，将表格转换成 Pandas 数据框。例如：

import tabula

pdf_file = 'example.pdf'
output_file = 'output.csv'

tabula.convert_into(pdf_file, output_file, output_format='csv', pages='all')

注意，tabula-py 库需要 Java 环境支持，因此需要安装 Java 和配置环境变量。

完整代码如下：

import PyPDF2
import tabula

pdf_file = open('example.pdf', 'rb')
pdf_reader = PyPDF2.PdfFileReader(pdf_file)

page_text = []
for page_num in range(pdf_reader.numPages):
    page = pdf_reader.getPage(page_num)
    page_text.append(page.extractText())
pdf_file.close()

tabula.convert_into('example.pdf', 'output.csv', output_format='csv', pages='all')

这样就可以将 PDF 文件中的表格数据提取出来并保存到 CSV 文件中。