### 提取和合并PDF中不同类型的多个表格数据 在处理包含多种类型表格的PDF文件时，可以通过Python实现自动化提取并合并其中的数据。以 `Camelot` 库为例，它能够高效地从 PDF 中提取表格数据，并将其转换为 `pandas DataFrame` 格式，便于后续的数据处理与分析[^2]。 #### 1. 使用 Camelot 提取表格数据 Camelot 是一个强大的库，支持从 PDF 文件中提取表格数据，并且可以指定页面范围进行提取。以下是一个基本的代码示例： ```python import camelot # 指定PDF文件路径 pdf_path = 'example.pdf' # 提取特定页码的表格数据 tables = camelot.read_pdf(pdf_path, pages='1-3,5,7') # 可以指定具体页码范围 # 查看提取结果 print(tables) ``` 上述代码将返回一个 `TableList` 对象，其中包含每个页面中的表格数据。可以通过索引访问单个表格，例如 `tables[0]` 表示第一页的第一个表格。 #### 2. 将提取的表格数据合并到一起 为了合并多个表格，需要确保所有表格具有相同的列结构。如果表格的结构不一致，则需要先对数据进行清洗和标准化。 ```python import pandas as pd # 初始化一个空列表，用于存储所有表格的DataFrame all_tables = [] # 遍历所有提取的表格 for table in tables: # 将表格转换为DataFrame df = table.df # 添加页码信息作为一列（可选） df['page'] = table.parsing_report['page'] # 添加到总列表中 all_tables.append(df) # 合并所有表格数据 combined_df = pd.concat(all_tables, ignore_index=True) # 输出合并后的数据 print(combined_df.head()) ``` #### 3. 导出合并后的数据到Excel或CSV 完成数据合并后，可以将结果导出为 Excel 或 CSV 文件，以便进一步分析或共享。 ```python # 导出为Excel文件 combined_df.to_excel('output.xlsx', index=False) # 或者导出为CSV文件 combined_df.to_csv('output.csv', index=False) ``` #### 4. 处理不同类型的表格 当 PDF 文件中包含不同类型的表格时，可能需要根据表格的结构进行分类处理。可以通过检查每张表格的列名或内容来判断其类型，并分别处理。 ```python # 假设我们有两张不同类型的表格：type_a 和 type_b type_a_tables = [] type_b_tables = [] for table in tables: df = table.df if 'TypeA_Column' in df.iloc[0].values: type_a_tables.append(df) elif 'TypeB_Column' in df.iloc[0].values: type_b_tables.append(df) # 分别处理不同类型的数据 if type_a_tables: combined_type_a = pd.concat(type_a_tables, ignore_index=True) combined_type_a.to_excel('type_a_output.xlsx', index=False) if type_b_tables: combined_type_b = pd.concat(type_b_tables, ignore_index=True) combined_type_b.to_excel('type_b_output.xlsx', index=False) ``` #### 5. 进一步优化：批量处理多个PDF文件 如果需要处理多个 PDF 文件，可以结合 `os` 模块遍历目录下的所有 PDF 文件，并依次提取和合并数据。 ```python import os # 指定PDF文件夹路径 folder_path = 'pdf_files/' # 获取所有PDF文件 pdf_files = [f for f in os.listdir(folder_path) if f.endswith('.pdf')] # 初始化一个空列表，用于存储所有PDF中的表格数据 all_combined_data = [] for pdf_file in pdf_files: pdf_path = os.path.join(folder_path, pdf_file) tables = camelot.read_pdf(pdf_path, pages='all') # 提取所有页面 # 合并当前PDF中的表格数据 current_tables = [table.df for table in tables] combined_current = pd.concat(current_tables, ignore_index=True) # 添加文件名作为一列（可选） combined_current['source_file'] = pdf_file # 添加到总列表中 all_combined_data.append(combined_current) # 合并所有PDF中的数据 final_combined_df = pd.concat(all_combined_data, ignore_index=True) # 导出最终结果 final_combined_df.to_excel('final_combined_output.xlsx', index=False) ``` ---