在 Python 中实现从 PDF 文件中抽取内容并**保留表格样式**，可以使用一些功能强大的库，如 `pdfplumber`、`camelot` 或 `tabula-py`。这些库能够识别表格结构，并保留其样式信息（如边框、单元格合并等）。 以下是一个使用 `pdfplumber` 的示例，它能够抽取 PDF 中的表格内容并保留其样式结构： --- ### ✅ 使用 `pdfplumber` 提取 PDF 表格并保留样式 #### 安装依赖 ```bash pip install pdfplumber ``` #### 示例代码 ```python import pdfplumber def extract_tables_with_style(pdf_path): with pdfplumber.open(pdf_path) as pdf: for i, page in enumerate(pdf.pages): print(f"=== 第 {i + 1} 页表格 ===") tables = page.extract_tables() for table in tables: for row in table: print(" | ".join(cell if cell else "" for cell in row)) print("-" * 40) ``` #### 使用说明 - `page.extract_tables()` 会自动检测页面中的表格区域并提取为二维数组； - 每个单元格的内容保留原始样式（如换行、空格等）； - 可以进一步将表格导出为 CSV、Pandas DataFrame 或 HTML 表格。 --- ### ✅ 使用 `camelot` 提取表格并导出为 DataFrame 或 Excel #### 安装依赖 ```bash pip install camelot-py[cv] ``` #### 示例代码 ```python import camelot def extract_tables_with_camelot(pdf_path): tables = camelot.read_pdf(pdf_path, pages='all') print(f"检测到 {tables.n} 个表格") for i, table in enumerate(tables): print(f"\n--- 表格 {i+1} ---") print(table.df) # pandas DataFrame 格式 # table.to_excel(f"table_{i+1}.xlsx") # 导出为 Excel ``` --- ### ✅ 使用 `tabula-py` 提取表格（适合结构清晰的 PDF） #### 安装依赖 ```bash pip install tabula-py ``` #### 示例代码 ```python from tabula import read_pdf def extract_with_tabula(pdf_path): dfs = read_pdf(pdf_path, pages="all", multiple_tables=True) for i, df in enumerate(dfs): print(f"\n--- 表格 {i+1} ---") print(df) ``` --- ### 总结对比 | 库名称 | 是否保留样式 | 是否支持复杂表格 | 输出格式 | 推荐用途 | |---------------|----------------|--------------------|----------------|-----------------------| | `pdfplumber` | ✅ 部分保留 | ✅ 支持 | 文本/列表 | 精确提取内容 + 样式 | | `camelot` | ✅ 支持样式识别 | ✅ 强大解析能力 | DataFrame/Excel| 表格结构化处理 | | `tabula-py` | ❌ 不保留样式 | ⚠️ 适合结构清晰表格 | DataFrame | 快速提取表格数据 | --- ### ✅ 附加：将表格转为 HTML 保留样式（以 pdfplumber 为例） ```python def table_to_html(table_data): html = "<table border='1'>\n" for row in table_data: html += " <tr>\n" for cell in row: html += f" <td>{cell or ''}</td>\n" html += " </tr>\n" html += "</table>" return html ``` ---