当前位置：首页 > news >正文

[特殊字符] 扫描式处理：Python 自动提取 PDF 中关键词相关表格并导出为 Excel

news 2025/7/12 7:04:25

本文演示如何利用 pdfplumber 批量处理指定文件夹下 PDF 文档：定位关键词（如“主要会计数据”）出现的页码及下一页，提取其中的表格并保存为独立 Excel 文件。适用于财务报告、审计表格、统计报表等场景。

1️⃣ 第一步：批量收集 PDF 文件路径

import ospath = 'PDF'
files = [os.path.join(path, f) for f in os.listdir(path)]

使用 os.listdir() 获取文件夹下所有 PDF；
拼接完整路径后存储到 files 列表，便于批量处理。

2️⃣ 示例脚本：查找关键词并导出表格

import pdfplumber
from openpyxl import Workbookkey_words = "主要会计数据"for file in files:with pdfplumber.open(file) as pdf:wb = Workbook()wb.remove(wb.worksheets[0])pages_wanted = []for idx, page in enumerate(pdf.pages):if key_words in page.extract_text():pages_wanted.extend([idx, idx+1])breakfor i in pages_wanted:page = pdf.pages[i]tables = page.extract_tables()if tables:ws = wb.create_sheet(f"Sheet{i+1}")for table in tables:for row in table:ws.append(row)out_name = os.path.splitext(os.path.basename(file))[0]wb.save(f"Excel/{out_name}.xlsx")

.extract_text() 用于查找关键词所在页；
.extract_tables() 提取该页表格内容；
使用 openpyxl 写入 Excel，每个表对应一个工作表；
模仿页面编号给 sheet 命名。

📌 技术说明与推荐设置

pdfplumber.extract_tables() 默认以页面中水平与垂直线条为依据提取单元格边界，也可使用 table_settings 参数调整策略
arXiv+10Python 包索引+10Stack Overflow+10
该方法适合扫描式 PDF 或数字 PDF，但若布局复杂可设定 vertical_strategy="text" 等方式
Stack Overflow+1Python 包索引+1
pdfplumber 基于 pdfminer.six，适用于结构化文档提取，对 OCR 文档支持有限
arXiv+2GitHub+2Python 包索引+2

🖼️ 结果展示区

✅ 优化与扩展建议

功能	建议
📦 批量处理	可接入 `os.walk()` 递归处理子目录；
⚙️ 精准提取	使用 `page.crop(...)` 或 `table_settings` 定位表格区域（示例见pdfplumber文档） arXiv+10Medium+10Python 包索引+10；
🧩 排错机制	若某页未提取表格，可记录日志或存储空表；
🗄 合并数据	可将多个表格结果汇总到一个 Excel 并生成摘要页；
🚀 更换工具	对于更复杂财务表格，可考虑 Camelot 或 Tabula 提供更多控制和效果优化；