Python用Spire.PDF提取PDF表格并导出CSV教程

脚本专家

PDF 里的表格和 Excel 表格并不是同一种数据。PDF 文件通常不保存结构化表格，页面上的行与列只是文字、线条按坐标呈现出来的视觉效果。因此，用脚本读取 PDF 表格，本质上是通过库分析页面版式，再还原行列结构。

一、环境准备

安装 Spire.PDF：

2. pip install Spire.PDF

复制代码

如果只是学习或处理小文档，也可以使用免费版本：

2. pip install Spire.Pdf.Free

复制代码

免费版在加载和处理 PDF 时有页数限制，最多处理前 10 页。超过 10 页的文档需要先拆分，或改用完整版 PyPI。

二、核心提取代码

下面代码演示加载 PDF、逐页提取表格，并按行输出单元格文本：

2. from spire.pdf import PdfDocument, PdfTableExtractor
4. # 加载 PDF 文档
5. pdf = PdfDocument()
6. pdf.LoadFromFile("input.pdf")
8. # 创建表格提取器
9. table_extractor = PdfTableExtractor(pdf)
11. # 逐页提取表格
12. for i in range(pdf.Pages.Count):
13.     tables = table_extractor.ExtractTable(i)
14.     for table_index, table in enumerate(tables):
15.         print(f"Table {table_index + 1} on page {i + 1}:")
16.         for row in range(table.GetRowCount()):
17.             row_data = []
18.             for col in range(table.GetColumnCount()):
19.                 text = table.GetText(row, col).replace("\n", " ")
20.                 row_data.append(text.strip())
21.             print("\t".join(row_data))

复制代码

三、关键步骤说明

1. 加载 PDF 文档

PdfDocument 是文档入口对象，LoadFromFile() 接收 PDF 路径，相对路径和绝对路径都可以。

2. 创建表格提取器

PdfTableExtractor 用来对文档逐页分析版式并检测表格结构，构造时需要传入已经加载的 PdfDocument 对象。

3. 逐页提取表格

pdf.Pages.Count 表示总页数，ExtractTable(i) 返回第 i 页检测到的所有表格。它返回的是列表，因为一页中可能有多个表格；如果该页没有表格，则返回空列表。

4. 遍历行列读取单元格

GetRowCount() 和 GetColumnCount() 分别获取行数、列数；GetText(row, col) 读取指定单元格文本。单元格内可能包含换行，代码先把 \n 替换为空格，再 strip() 去掉首尾空白，避免输出多余空行。最后用制表符 \t 拼接一行单元格，方便复制到 Excel 或作为 TSV 使用。

四、运行效果

对一份包含简单表格的 PDF 运行上述代码，控制台输出大致如下：

2. Table 1 on page 1:
3. 姓名    部门    薪资
4. 张三    技术部    12000
5. 李四    市场部    9800
6. 王五    财务部    10500

复制代码

每行对应表格中的一行，单元格之间由制表符分隔，可以直接粘贴到表格软件。

五、进阶：保存为 CSV

如果不想只打印到控制台，可以用 Python 内置 csv 模块写入 CSV，不需要额外安装库：

2. import csv
3. from spire.pdf import PdfDocument, PdfTableExtractor
5. pdf = PdfDocument()
6. pdf.LoadFromFile("input.pdf")
7. extractor = PdfTableExtractor(pdf)
9. with open("output.csv", "w", newline="", encoding="utf-8") as f:
10.     writer = csv.writer(f)
11.     for i in range(pdf.Pages.Count):
12.         for table in extractor.ExtractTable(i):
13.             for row in range(table.GetRowCount()):
14.                 row_data = [
15.                     table.GetText(row, col).replace("\n", " ").strip()
16.                     for col in range(table.GetColumnCount())
17.                 ]
18.                 writer.writerow(row_data)
20. pdf.Close()

复制代码

csv.writer 会自动处理单元格中的逗号、引号等特殊字符，通常比手动拼接字符串更可靠。批量处理完成后，建议调用 pdf.Close() 释放资源。

六、注意事项与局限

1. 更适合有清晰边框的表格。PdfTableExtractor 依赖页面版式分析，对边框明确、结构规整的表格识别效果较好；无可见边框、多行单元格或表头不明确的复杂排版，可能出现检测不到或结构不完整。

2. 扫描件需要先 OCR。如果 PDF 是扫描图片、没有文本层，文本类工具无法直接读取内容，需要先用 OCR 把图片转成文字，Spire.PDF 本身不提供 OCR。

3. 免费版页数限制。免费版最多处理前 10 页，长文档可以在循环里使用 min(pdf.Pages.Count, 10) 限制，或先按页拆分。

4. 资源释放。批量处理大量文件时，最后调用 pdf.Close()，避免资源占用。

七、其他可选库

如果遇到 Spire.PDF 处理不了的复杂表格，可以尝试以下开源库作为补充：

pdfplumber：基于 pdfminer.six，提供较细粒度的页面对象访问，适合复杂排版。
camelot：通过检测表格线识别结构，对有线表格效果较好。
tabula-py：封装 Java 的 tabula，输出可直接兼容 pandas DataFrame。

实际项目中可以按表格类型组合使用：结构规整的表格任选一个库即可，复杂表格建议先小样本测试再选型。

八、总结

用 Spire.PDF for Python 提取 PDF 表格的流程是：加载文档，创建 PdfTableExtractor，逐页调用 ExtractTable()，再遍历行列读取单元格。它适合边框清晰、结构规整的表格，配合 csv 模块即可落盘保存。遇到无边框、扫描件等情况，则需要 OCR 或其他 PDF 解析库配合。