Python 将 PDF 表格数据提取至 TXT 或 Excel

在数据处理与办公自动化场景中，PDF 表格因格式稳定被广泛使用，但不可直接编辑的特性，给数据统计、分析和二次加工带来诸多不便。手动复制粘贴不仅效率低下，还容易出现数据错位、遗漏等问题。

本文将分享一种高效的解决方案—基于Python结合Spire系列库，实现 PDF 表格数据的精准提取，并分别导出为 TXT 文本和 Excel 表格格式。该方案无需复杂的正则表达式或OCR识别，代码简洁易上手，适合批量处理各类PDF表格文件。

一、准备工作：安装所需 Python 库

本次实战需要两个核心库，分别负责 PDF 表格提取和 Excel 文件生成，功能分工明确：

• Spire.PDF for Python：一款轻量级 PDF 处理库，支持直接识别 PDF 中的表格结构，精准提取单元格数据，无需依赖额外的 OCR 工具。
• Spire.XLS for Python：专业的 Excel 操作库，可实现 Excel 文件的创建、数据写入、格式优化等功能，完美适配各类 Excel 版本。

打开命令行终端，执行以下pip命令完成安装（建议在虚拟环境中操作，避免版本冲突）：

/* by 01130.hk - online tools website : 01130.hk/zh/htmlescape.html */ pip install Spire.PDF pip install Spire.XLS

二、实战1：提取 PDF 表格数据到 TXT 文件

TXT 文件具有体积小、兼容性强的特点，适合快速查看和传输数据。使用 Spire.PDF for Python 提取数据并写入 TXT 的核心逻辑，是按页面→表格→行→列的层级遍历 PDF 内容，最终将数据格式化输出。

实现步骤拆解

1. 加载 PDF 文档：通过PdfDocument类的LoadFromFile()方法读取目标 PDF 文件，支持相对路径和绝对路径。
2. 初始化提取工具：创建PdfTableExtractor对象，用于识别并提取 PDF 页面中的表格数据。
3. 层级遍历数据：依次遍历 PDF 的每一页、每页中的每个表格、表格的每一行和每一列，通过GetText(rowIndex, columnIndex)方法获取单元格文本。
4. 写入 TXT 文件：将提取的数据按“列用空格分隔、行用换行分隔”的格式整理，写入TXT文件并指定 UTF-8 编码，避免中文乱码。

完整代码示例（含详细注释）

/* by 01130.hk - online tools website : 01130.hk/zh/htmlescape.html */ from spire.pdf.common import * from spire.pdf import * # 1. 加载PDF文档，替换为你的目标PDF文件路径 pdf_doc = PdfDocument() pdf_doc.LoadFromFile("表格.pdf") # 2. 创建列表存储提取的数据，便于后续拼接 data_list = [] # 3. 初始化表格提取器 table_extractor = PdfTableExtractor(pdf_doc) # 4. 遍历PDF的每一页 for page_idx in range(pdf_doc.Pages.Count): # 提取当前页面的所有表格 tables = table_extractor.ExtractTable(page_idx) # 判断当前页面是否存在表格，避免空指针异常 if tables is not None and len(tables) > 0: # 遍历每个表格 for table in tables: row_num = table.GetRowCount() # 获取表格总行数 col_num = table.GetColumnCount() # 获取表格总列数 # 遍历表格的每一行 for i in range(row_num): row_data = [] # 遍历该行的每一列 for j in range(col_num): # 获取单元格文本 cell_text = table.GetText(i, j) row_data.append(cell_text) # 用空格分隔列数据，拼接成一行 data_list.append(" ".join(row_data)) # 不同表格之间添加空行，区分数据边界 data_list.append("") # 5. 将数据写入TXT文件 with open("提取PDF表格.txt", "w", encoding="utf-8") as f: f.write("\n".join(data_list)) # 6. 释放资源，避免内存占用 pdf_doc.Close()

三、实战2：提取 PDF 表格数据到 Excel 文件

Excel 文件支持数据筛选、公式计算、图表生成等高级功能，是数据分析的首选格式。本示例需要结合Spire.PDF for Python和Spire.XLS for Python，在提取数据的基础上，实现 Excel 文件的创建和数据写入。

实现步骤拆解

数据提取的步骤与 TXT 示例一致，额外增加 Excel 文件操作的3个核心步骤：

1. 创建Excel工作簿：实例化Workbook对象，清空默认工作表，为后续添加新表格做准备。
2. 数据写入单元格：Excel 的行列索引从1开始（与Python的0索引不同），因此需要将表格的行、列索引分别+1，确保数据写入正确位置。
3. 优化表格格式：调用AutoFitColumns()方法设置列宽自适应内容，提升表格可读性，最后保存为指定版本的Excel文件。

完整代码示例（含详细注释）

from spire.pdf import * from spire.xls import * # 1. 加载PDF文档 pdf_doc = PdfDocument() pdf_doc.LoadFromFile("表格.pdf") # 2. 创建Excel工作簿并清空默认工作表 excel_workbook = Workbook() excel_workbook.Worksheets.Clear() # 3. 初始化表格提取器 table_extractor = PdfTableExtractor(pdf_doc) # 4. 工作表编号，用于命名新工作表 sheet_index = 1 # 5. 遍历PDF的每一页 for page_idx in range(pdf_doc.Pages.Count): tables = table_extractor.ExtractTable(page_idx) if tables is not None and len(tables) > 0: # 遍历当前页面的每个表格 for table in tables: # 创建新工作表，命名为“sheet+编号” worksheet = excel_workbook.Worksheets.Add(f"sheet{sheet_index}") row_num = table.GetRowCount() col_num = table.GetColumnCount() # 遍历表格单元格 for i in range(row_num): for j in range(col_num): cell_text = table.GetText(i, j) # Excel索引从1开始，需将i和j分别+1 worksheet.Range[i + 1, j + 1].Value = cell_text # 设置列宽自适应内容，优化显示效果 worksheet.AllocatedRange.AutoFitColumns() # 工作表编号递增 sheet_index += 1 # 6. 保存Excel文件，指定保存路径和Excel版本 excel_workbook.SaveToFile("导出PDF表格到Excel.xlsx", ExcelVersion.Version2016) # 7. 释放资源 pdf_doc.Close() excel_workbook.Dispose()

四、关键注意事项

1. 文件路径问题：若运行代码时提示“文件不存在”，请检查 PDF 文件路径是否正确，建议使用绝对路径（如C:/data/表格.pdf）避免路径错误。
2. 中文乱码处理：写入 TXT 文件时，务必指定encoding="utf-8"；导出 Excel 文件时，Spire.XLS for Python 默认支持中文，无需额外配置。
3. 资源释放：使用Close()和Dispose()方法释放 PDF 和 Excel 对象，避免长时间运行导致内存泄漏。

五、总结

基于Spire系列库，能够快速实现 PDF 表格数据的提取与格式转换，相比传统的手动操作，效率提升数十倍。该方案适用于各类场景，如批量提取财务报表、科研数据、政务文件中的 PDF 表格，为数据自动化处理提供了可靠的技术支撑。