银行流水PDF转Excel Python批量转换脚本与避坑指南

脚本专家

银行流水PDF是财务对账、个税申报、贷款审批中的常见凭证，但PDF只读、不可编辑，统计汇总效率低。本文将介绍如何用Python脚本将银行流水PDF批量转换为Excel或CSV，并完成数据清洗、格式标准化和准确性校验。

一、转换需求与技术选型

银行流水PDF分两类：一类是原生可复制PDF，文本可以直接选中；另一类是扫描件PDF，本质是图片，必须走OCR识别。对于原生PDF，Python生态有多个表格提取库；对于扫描件，需要额外接入Tesseract OCR引擎。

常用库对比：
- pdfplumber：擅长带复杂结构的文本型PDF表格，无需Java环境，适合精细控制。
- tabula-py：依赖Java环境，适合有清晰边框的标准表格，API简单。
- camelot：支持有边框(lattice)和无边框(stream)两种解析模式，处理扫描件需要Ghostscript和Tesseract。

安装库的命令如下：

2. pip install pdfplumber pandas openpyxl
3. pip install tabula-py
4. pip install camelot-py[cv]
5. pip install 'camelot-py[ml,ocr]'

复制代码

注意：camelot处理扫描件时，系统需要额外安装Ghostscript和Tesseract OCR引擎。

二、核心批量转换脚本（pdfplumber实现）

以下脚本遍历指定文件夹内的全部PDF，用pdfplumber提取每页表格，过滤空行，再通过pandas去重去空，导出Excel。适用于原生PDF批量处理。

2. import pdfplumber
3. import pandas as pd
4. import os
6. pdf_folder = '银行流水PDF文件夹'
7. output_excel = '银行流水汇总.xlsx'
8. all_data = []
10. for filename in os.listdir(pdf_folder):
11.     if filename.endswith('.pdf'):
12.         pdf_path = os.path.join(pdf_folder, filename)
13.         with pdfplumber.open(pdf_path) as pdf:
14.             for page in pdf.pages:
15.                 table = page.extract_table()
16.                 if table:
17.                     all_data.extend([row for row in table if any(cell for cell in row)])
19. df = pd.DataFrame(all_data[1:], columns=all_data[0])
20. df = df.dropna(how='all').drop_duplicates()
21. df.to_excel(output_excel, index=False)
22. print(f'转换完成，文件已保存至：{output_excel}')

复制代码

这段代码的关键在page.extract_table()。它返回的列表里，第一个元素通常是表头，后面的元素是数据行。any(cell for cell in row)用于过滤整行为空的情况。如果不同页面的表格结构不一致，需要针对银行样式写额外的清洗逻辑。

对于复杂表格，可以通过table_settings调整提取策略，比如按线条识别列、按文本位置识别行：

2. custom_settings = {
3.     'vertical_strategy': 'lines',
4.     'horizontal_strategy': 'text',
5.     'snap_tolerance': 5
6. }
7. table = page.extract_table(table_settings=custom_settings)

复制代码

三、Tabula-py与Camelot的使用

如果PDF表格有清晰边框，用tabula-py更省事。read_pdf直接返回DataFrame，to_csv可以导出CSV。

2. import tabula
3. import pandas as pd
5. df = tabula.read_pdf('sample.pdf', pages='all')[0]
6. df.to_csv('output.csv', index=False)

复制代码

多页表格写入同一个Excel工作簿：

2. tables = tabula.read_pdf('sample.pdf', pages='all')
3. with pd.ExcelWriter('output.xlsx', engine='openpyxl') as writer:
4.     for i, table in enumerate(tables):
5.         table.to_excel(writer, sheet_name=f'Table_{i+1}', index=False)

复制代码

camelot适合无边框表格。lattice模式适合有竖线的表格，stream模式适合靠空白分隔的表格：

2. import camelot
4. tables = camelot.read_pdf('sample.pdf', flavor='lattice')
5. tables[0].to_excel('output.xlsx')

复制代码

也可以直接用命令行转换：

2. camelot lattice --output tables.xlsx sample.pdf

复制代码

四、转换后的数据清洗与格式标准化

转换结果不能直接用，常见问题包括空行乱码、合并单元格、日期格式不一致、金额是文本而非数值。处理思路如下：
- 删除全空行、多余表头、封面和银行说明，只保留交易明细。
- 用pandas处理合并单元格拆分后的数据，或手动填充缺失的余额。
- 日期字段用pd.to_datetime统一成标准日期格式。
- 金额列先去除逗号和空格，再用pd.to_numeric转为数值，确保能求和。

五、准确性校验

转换完成后，至少要做三件事：
- 核对交易笔数：转换后的DataFrame行数要和PDF中实际交易笔数一致。
- 余额校验：用期初余额加每笔交易金额计算最终余额，对比PDF上的期末余额。
- 异常值检查：筛选金额为0、日期为空、摘要缺失的数据，人工确认。

六、常见问题

扫描件转换出来是乱码或空白？因为扫描件本质是图片，普通提取库拿不到文本，必须先用OCR引擎（如Tesseract）识别，或者使用camelot配合OCR模式。

金额无法求和？大概率是文本格式。可以在Excel里用分列功能转成数字，也可以用pandas转换数值类型。

列错位怎么办？重新提取时缩小表格识别范围，或转换后手动调整列顺序，拆分合并单元格。

上百份流水需要批量处理？优先选Python脚本，可循环文件、统一清洗、一次性导出；不懂代码可以用Adobe Acrobat Pro或ABBYY FineReader的批量转换功能。

七、总结

银行流水PDF转Excel没有通用万能方案。原生PDF优先用Python库；扫描件必须上OCR；复杂表格用camelot。新手处理单次文件可以先用Excel原生导入；技术用户追求效率和定制化，建议直接走pdfplumber加pandas脚本。核心原则是以原始数据准确为前提，转换后做好清洗和校验。

热心网友4

感谢楼主分享，正好最近在搞银行流水对账，之前用pdfplumber只能一页页手动处理，这回有了批量脚本省事多了。尤其是数据清洗和准确性校验那块很实用，之前没注意余额校验，差点漏了一笔。扫描件OCR这块确实坑多，准备按你说的试试camelot。

热心网友4

感谢楼主分享这么详细的教程！正好最近在搞银行流水对账，PDF转Excel一直手动复制粘贴，效率太低。按这个方法试了pdfplumber那段，确实能跑通，就是有些银行的流水页脚有“第几页/共几页”这种干扰行，我用楼主说的any(cell for cell in row)过滤后还是偶尔混进来，后来加了个关键字过滤才搞定。另外想问问楼主，camelot那个OCR模式对扫描件的识别精度大概能达到多少？之前试过直接Tesseract识别，日期和数字经常出错，不太敢直接用。

热心网友7

感谢楼主分享，正好最近也在处理银行流水，之前用tabula-py遇到扫描件就抓瞎，原来还要配OCR。pdfplumber那个批量脚本很实用，先收藏了。另外想请教一下，如果不同银行PDF的格式差很多，比如表头字段顺序不一样，楼主有没有什么好的处理方法？还是说只能针对每家银行各写一套清洗逻辑？