Python实现PDF文本与表格转换
📑 PDF内容提取与转换指南
✨ 摘要
本文将介绍如何使用Python将PDF中的文本内容转换到Word，以及如何将PDF中的表格数据提取到Excel。你会了解到多个工具和方法，包括pdf2docx、popdf、tabula-py和camelot等，并附上简单的代码示例和选择建议。
1. PDF文本转换到Word
将PDF中的文本转换到Word文档，推荐使用以下工具：
1.1 使用 pdf2docx 库
pdf2docx 是一个基于 Python 的第三方库，它利用 PyMuPDF（解析 PDF 内容）和 python-docx（生成 Word 文档）来实现转换。
优点：免费开源、简单易用（仅需少量代码即可完成转换）、支持批量处理、轻量级。
局限性：对复杂布局（如多栏排版、数学公式）支持较弱，转换可能错位；对嵌套表格或复杂边框的表格解析精度有限；无法处理受密码保护的 PDF；如果 PDF 使用了特殊字体，在 Word 中可能显示异常。
安装命令：
bash
pip install pdf2docx
基本转换代码示例：
python
from pdf2docx import Converterpdf_path = "input.pdf" docx_path = "output.docx"# 初始化转换器 cv = Converter(pdf_path) # 执行转换（start=起始页，end=结束页，None表示到最后一页） cv.convert(docx_path, start=0, end=None) # 释放资源 cv.close()
参数说明：
可以通过
start和end参数指定转换的页码范围（例如start=0, end=5转换前5页）。cv.convert方法还支持一些选项参数，例如layout=True（保留页面布局）、tables=True（解析表格）、images=True（提取图片）。
1.2 使用 popdf 库
popdf 库提供了非常简洁的 API，尤其适合快速简单的转换任务，并且支持批量处理。
安装命令：
bash
pip install popdf
单文件转换代码示例：
python
from popdf import pdf2docxpdf2docx(input_file=r"D:/example.pdf", output_file=r"D:/example.docx")
批量转换代码示例：
python
from popdf import pdf2docxpdf2docx(input_path=r"D:/pdf_folder/", output_path=r"D:/docx_folder/")
1.3 文本转换的注意事项
转换效果：PDF 本身并非总是对内容结构有完美描述，其“不可编辑”的特性使得转换过程本质上是“解析和重建”。因此，转换效果很大程度上取决于原始 PDF 的质量和复杂程度。布局简单、以文字为主的 PDF 转换效果较好；而包含多栏排版、复杂表格、数学公式或特殊字体的 PDF，转换后可能需要较多的手动调整。
字体问题：如果 PDF 使用了系统未安装的特殊字体，转换后的 Word 文档中可能出现字体显示异常或替换的情况。
加密文件：上述工具通常无法处理受密码保护的加密 PDF 文件。
2. PDF表格提取到Excel
从 PDF 中提取表格数据并导出到 Excel，推荐使用以下工具：
2.1 使用 tabula-py 库
tabula-py 是 tabula-java 的 Python 封装，专门用于从 PDF 文件中提取表格数据，尤其擅长处理结构不规则或包含扫描图像的 PDF 中的表格。它能够将提取的结果直接转换为 pandas DataFrame 对象，方便后续处理和导出。
安装命令：
bash
pip install tabula-py
注意：tabula-py 依赖于 Java 8 或更高版本的环境。
基本提取示例：
python
import tabula# 提取所有页面的所有表格
tables = tabula.read_pdf("input.pdf", pages='all', multiple_tables=True)
# tables 是一个由 DataFrame 组成的列表
for i, df in enumerate(tables):# 将每个 DataFrame 保存为单独的 Excel 文件df.to_excel(f"table_{i}.xlsx", index=False)使用 lattice 模式提升精度：
如果 PDF 中的表格有清晰的线条（即“格子”结构），使用 lattice=True 参数可以显著提高提取精度。
python
tables = tabula.read_pdf("input_with_lines.pdf", pages='all', multiple_tables=True, lattice=True)处理提取后的数据清洗：
提取的表格数据可能会包含一些冗余的列（例如 "Unnamed: X"），通常需要后续清洗。
python
import tabula
import pandas as pdtables = tabula.read_pdf("input.pdf", pages='1', multiple_tables=True, lattice=True)
cleaned_tables = []for df in tables:# 移除包含 'Unnamed' 的列cols_to_drop = [col for col in df.columns if 'Unnamed' in str(col)]cleaned_df = df.drop(columns=cols_to_drop)# 可选：检查并移除全为空的行cleaned_df = cleaned_df.dropna(how='all')cleaned_tables.append(cleaned_df)# 保存清洗后的第一个表格
cleaned_tables[0].to_excel("cleaned_table.xlsx", index=False)2.2 使用 camelot 库
Camelot 也是一个专门用于从 PDF 中提取表格数据的 Python 库，它特别适用于基于文本的 PDF。
安装命令：
bash
pip install camelot-py[cv]
基本使用示例：
python
import camelot# 提取 PDF 中的表格
tables = camelot.read_pdf('my_file.pdf', pages='all', flavor='lattice') # 对于有线的表格
# 或者使用 flavor='stream' 对于无线的表格
# tables = camelot.read_pdf('my_file.pdf', pages='all', flavor='stream')print(f"总共提取了 {tables.n} 个表格。")# 查看第一个表格的数据
print(tables[0].df)# 将第一个表格导出为 Excel
tables[0].to_excel('table_0.xlsx')# 导出所有表格
tables.export('all_tables.xlsx', f='excel')2.3 表格提取的注意事项
表格识别：从 PDF 中提取表格并非完美无缺。提取的准确性取决于原始 PDF 中表格的结构清晰度。没有边框的表格、合并单元格、分页表格等都会增加提取的难度。
模式选择：
lattice (格子模式)：适用于有明确表线（边框）的表格，精度通常较高。
stream (流模式)：适用于没有表线或表线不完整的表格，它通过分析文本的相对位置来推断表格结构。
指定区域提取：如果页面只有一部分是表格，可以使用
area参数指定要分析的页面部分（例如area=[x1, y1, x2, y2]），这可以提高提取准确性并减少无关内容的干扰。tabula-py也支持类似的area参数。结果验证：务必检查提取后的数据，特别是数字和格式，因为自动化工具可能出错。
3. 工具对比与选择建议
下面用一个表格帮你快速了解这几个主要工具的特点和适用场景：
| 功能 | 工具/库 | 主要优点 | 主要缺点/注意事项 | 适用场景 |
|---|---|---|---|---|
| PDF转Word | pdf2docx | 免费、开源、支持批量、布局保留尚可 | 复杂布局和表格易错位、不支持加密PDF | 简单文档转换、批量处理报告、合同等文字为主的PDF |
| popdf | API极其简洁、支持批量 | 功能相对基础，可能基于其他库封装 | 快速简单转换、批量处理 | |
| PDF表格提取 | tabula-py | 功能强大、支持复杂表格、输出DataFrame便于后期清洗 | 依赖Java环境 | 从各类PDF（包括扫描件）中提取结构复杂的表格数据 |
| camelot | 专精表格提取、输出格式丰富（df, csv, excel等） | 对于无框线或复杂合并单元格的表格效果可能不佳 | 从有清晰表格线的PDF中高精度提取数据 | |
| 在线转换器 | Smallpdf等 | 无需安装软件、操作简单 | 有隐私风险、文件大小和次数限制、需要网络 | 偶尔转换单个非敏感文件 |
如何选择？
只想把PDF里的文字和版面弄到Word里：优先试试
pdf2docx。如果想用更简单的代码，可以看看popdf。主要想获取PDF里的表格数据到Excel：
如果表格有清晰的边框线，
camelot(lattice模式) 和tabula-py(lattice=True) 都是不错的选择。如果表格没有边框线，可以尝试
camelot或tabula-py的 stream 模式。如果需要对提取的数据进行复杂的清洗和处理，
tabula-py返回的 Pandas DataFrame 会非常方便。
只是偶尔转换一两个文件，不想写代码：可以考虑使用在线转换工具（如 Smallpdf, ILovePDF），但务必注意文件隐私和安全。
4. 实用技巧与总结
批量处理：上述大多数库（如
pdf2docx,popdf,tabula-py）都支持批量处理。你可以遍历一个文件夹中的所有 PDF 文件进行转换，这能极大提高效率。处理加密PDF：如果PDF有密码保护，需要先用相应的库（如
pikepdf）解密后再进行处理。tabula-py的read_pdf函数支持password参数。调整提取区域：对于表格提取，如果自动识别不准，尝试使用
area参数手动指定表格在页面上的坐标区域，可以显著改善效果。心态准备：PDF 转换不是一个完美无缺的过程，特别是对于布局复杂或扫描质量的 PDF。通常需要结合多种工具，并辅以一定的手动检查和调整。