### 将 PDF 文件中的数据提取并保存为 Excel 的方法 要完成将 PDF 中的数据提取出来并存储到 Excel 表格的任务，可以按照以下方式操作： #### 使用 `pdfplumber` 和 `pandas` 提取 PDF 数据 通过 Python 库 `pdfplumber` 可以轻松解析 PDF 文档的内容。以下是具体实现过程。 ```python import pdfplumber import pandas as pd # 打开 PDF 文件 file_path = r"example.pdf" with pdfplumber.open(file_path) as pdf: tables_data = [] # 遍历每一页 for page in pdf.pages: # 提取当前页面上的表格 table = page.extract_tables() if table: for t in table: # 转换为 DataFrame 并追加到列表中 df_table = pd.DataFrame(t[1:], columns=t[0]) tables_data.append(df_table) # 如果有多个表，则将其合并为单个 DataFrame if len(tables_data) > 0: combined_df = pd.concat(tables_data, ignore_index=True) else: raise ValueError("未找到任何表格数据") print(combined_df.head()) ``` 上述代码会遍历 PDF 的每一页面，并尝试从中提取所有的表格内容[^3]。如果成功提取到了表格数据，这些数据会被转换成 Pandas 的 DataFrame 对象以便进一步处理。 --- #### 导出到 Excel 文件 一旦获得了包含所需数据的 DataFrame，就可以利用 `to_excel()` 方法导出至 Excel 文件。 ```python output_file = 'output.xlsx' # 创建 ExcelWriter 对象用于写入多张工作表的情况 writer = pd.ExcelWriter(output_file, engine='xlsxwriter') combined_df.to_excel(writer, sheet_name="Sheet1", index=False, encoding='utf-8') writer.save() print(f"已成功将数据保存到 {output_file}") ``` 这里使用了 Pandas 自带的功能来指定输出路径以及设置编码格式为 UTF-8 来防止中文乱码等问题发生[^2]。 --- #### 完整脚本示例 综合以上两部分逻辑可得如下完整的解决方案: ```python import pdfplumber import pandas as pd def extract_pdf_to_excel(pdf_filepath, excel_filepath): with pdfplumber.open(pdf_filepath) as pdf: all_dfs = [] for i, page in enumerate(pdf.pages): extracted_tables = page.extract_tables() if not extracted_tables: continue for j, tbl in enumerate(extracted_tables): header_row = tbl[0] data_rows = tbl[1:] try: current_df = pd.DataFrame(data_rows, columns=header_row) # 清理可能存在的空白列/行 cleaned_df = current_df.dropna(how='all').dropna(axis=1, how='all') all_dfs.append(cleaned_df) except Exception as e: print(f"无法解析第{i+1}页上第{j+1}个表格: {e}") final_dataframe = pd.concat(all_dfs, ignore_index=True) writer = pd.ExcelWriter(excel_filepath, engine='openpyxl') final_dataframe.to_excel(writer, sheet_name="Data", index=False, encoding='utf-8') writer.close() # 测试函数调用 extract_pdf_to_excel('input.pdf', 'output.xlsx') ``` 此版本增加了错误捕获机制，在遇到难以解析的复杂结构化表格时能够跳过而不中断整个程序运行流程[^4]。 --- ### 注意事项 - **依赖安装**: 运行前需确保已经安装好所需的库 (`pip install pdfplumber pandas openpyxl`)。 - **输入验证**: 实际应用过程中应对用户上传的 PDF 做充分校验，避免因文档损坏或其他异常情况引发崩溃。 - **性能优化**: 处理超大文件时考虑分批次加载内存或者采用更高效的第三方工具替代纯 Python 解决方案。