PDF 里的表格复制出来全是乱的?用 Python 提取,先搞清楚你面对的是哪类

import pdfplumberwith pdfplumber.open("报表.pdf") as pdf:    for page in pdf.pages:        print(page.extract_tables())

然后终端要么输出 []，要么给你一堆错位的字符串，合并单元格变成了 "姓名张三"，数字和单位黏在一起，七列的数据硬生生挤成了四列。

问题通常不在代码，而在一个被跳过的前提：PDF 里的“表格”，从来就不是表格。 它只是文字、线条和坐标的集合。你看到的“行列对齐”，在 PDF 内部可能是一堆散落的字符对象，靠位置“看起来像表格”而已。

所以提取 PDF 表格的第一件事，不是选库，而是判断你手里的 PDF 是哪一类。

先花 30 秒，回答三个问题

在写任何代码之前，先做一次快速体检。这三问决定了后续路径：

第一问：能选中文字吗？ 用鼠标在 PDF 里拖选，能选中、能复制，说明有文本层，提取工具才有用武之地。如果怎么选都选不中，或者复制出来是乱码，那大概率是扫描件——所有基于文本层的库（pdfplumber、Camelot、Tabula）对它都无效，必须先上 OCR。

第二问：表格有边框线吗？ 放大看单元格之间有没有明确的横竖线条。有线条的表格，对识别工具最友好；没有线条、纯靠空白分隔的“无线表格”，难度立刻上一个台阶。

第三问：布局规整吗？ 是一张老老实实从头排到尾的表格，还是页面分两栏、表格嵌在文字中间、旁边还有脚注和浮动文本框？布局越乱，越需要手动指定提取区域或调参数。

这三个问题没有标准答案，但会直接把你导向不同的工具。下面这张表可以作为快速决策的参考：

主力路径一：pdfplumber，把“控制权”拿到手里

pdfplumber 的定位不是“一键提取表格”，而是给你访问 PDF 内部几何信息的权限——每一个字符、每一条线段、每一个矩形，你都能拿到它们的坐标。这意味着它更灵活，但也意味着你需要知道怎么“指挥”它。

基础用法：先看它默认认出了什么

import pdfplumberwith pdfplumber.open("example.pdf") as pdf:    page = pdf.pages[0]    tables = page.extract_tables()    for table in tables:        for row in table:            print(row)

extract_tables() 返回一个列表的列表：外层是页面上的多个表格，内层是行，行里是单元格的字符串或 None。默认策略会优先找线条来划分表格边界。

如果输出是 []，不代表没有表格，而是默认策略没认出来。这时候需要换策略。

策略切换：有线条用 lines，无线条用 text

pdfplumber 的 table_settings 里有两个关键参数：vertical_strategy 和 horizontal_strategy。对于有明确边框线的表格，保持默认的 "lines" 即可；对于没有边框、靠文字对齐的表格，改成 "text"：

settings = {    "vertical_strategy": "text",    "horizontal_strategy": "text",    "text_x_tolerance": 5,    "text_y_tolerance": 3,}tables = page.extract_tables(table_settings=settings)

text_x_tolerance 和 text_y_tolerance 控制的是“多近的文字算同一列 / 同一行”。值越小，划分越严格；值越大，越容易把本应分开的内容合并到一起。

终极调试工具：debug_tablefinder()

pdfplumber 最值得单独记住的功能，是可视化调试。当你不确定它到底“看到”了什么，直接画出来：

im = page.to_image(resolution=150)im.debug_tablefinder(table_settings=settings)im.save("debug.png")

打开生成的图片，你会看到 pdfplumber 识别出的表格边界、线条和交点。如果它画出的框和真实表格对不上，问题出在策略或容差参数上，而不是代码写错了。这个功能把“盲猜参数”变成“看着图调”，能省掉大量试错时间。

跨页表格：表头去重是核心

财务报表、长清单经常跨页，每一页的表格顶部都会重复表头。最简单的处理逻辑是：第一页提取表头和数据，后续页只取数据，且跳过与第一页相同的表头行：

all_rows = []headers = Nonewith pdfplumber.open("report.pdf") as pdf:    for page_num, page in enumerate(pdf.pages):        tables = page.extract_tables()        if not tables:            continue        table = tables[0]        if page_num == 0:            headers = table[0]            all_rows.extend(table[1:])        else:            if table[0] == headers:                all_rows.extend(table[1:])            else:                all_rows.extend(table)result = [headers] + all_rows if headers else all_rows

这个逻辑假设每一页的表格结构一致。如果表头本身跨了两三行，需要先把表头行拼成完整列名，再复用同一套去重逻辑。

主力路径二：Camelot，有边框线时先试它

Camelot 的设计思路比 pdfplumber 更“上层”：你告诉它用哪种解析方式，它去处理底层的线条和文字。它的 lattice 模式在有明显单元格边框的 PDF 上表现非常稳定，因为它是用计算机视觉方法去检测 PDF 中画出来的线条。

lattice 与 stream 的选择

import camelot# 有边框线：latticetables = camelot.read_pdf("invoice.pdf", flavor="lattice")# 无边框线：streamtables = camelot.read_pdf("statement.pdf", flavor="stream")

lattice 是默认模式，适合“格子画得清清楚楚”的表格。stream 则靠空白间距推断列边界，适合无线表格，但参数更敏感。

先 plot，再提取

Camelot 同样提供了可视化调试，而且比 pdfplumber 更“一眼看懂”：

camelot.plot(tables[0], kind="contour").show()

tables = camelot.read_pdf(    "file.pdf",    flavor="lattice",    table_areas=["100,700,500,100"],  # x1,y1,x2,y2，y轴向下为正)

对于无线表格，edge_tol 控制文字边缘的容忍度，row_tol 控制行间距的判定。调整这些参数的目标只有一个：让 Camelot 画出的框和肉眼看到的表格边界重合。

Camelot 的一个实际限制

Camelot 的 lattice 模式依赖 PDF 中真实存在的线条对象。有些 PDF 看起来有线，但那些“线”其实是图片的一部分或者背景色块，不是矢量线段。这种 PDF 用 lattice 会返回 “No tables found”。遇到这种情况，换 stream，或者换 pdfplumber 的 text 策略，往往比继续调 Camelot 参数更有效。

提取出来只是“字符串”，清洗才是拿到数据

无论用哪个库，提取结果都是原始字符串，不做类型推断，不做格式清洗。"¥1,234.56" 不会自动变成 1234.56，"2025年12月" 也不会自己变成日期。

一个务实的清洗顺序是：先修表头，再填合并单元格，最后处理数值和日期。

表头问题是最常见的坑。多级表头或跨行表头会被库当成数据行，导致 df.columns 是一堆无意义的默认名。可以手动把前 1 到 3 行拼成列名：

import pandas as pd# 假设 table 是 pdfplumber 返回的原始列表df = pd.DataFrame(table[2:], columns=["列1", "列2", "列3"])  # 跳过表头行，手动命名

如果表头有合并单元格，先探测表头区域，把多行拼接成单层列名，再重新赋值给 df.columns。

纵向合并的单元格在提取后会表现为 None 或空字符串。对于“省份”“部门”这类跨行合并的列，用前向填充：

df["省份"] = df["省份"].fillna(method="ffill")

但要注意边界：如果该列开头就是空的，前向填充会留下空值，需要单独处理。

数值列的清洗可以用 pandas 的字符串替换一次性去掉货币符号、千分位逗号和空格：

df["金额"] = (    df["金额"]    .astype(str)    .str.replace(r"[¥$,\s]", "", regex=True)    .replace("", None)    .astype(float))

注意 pandas 2.0 以上版本中 regex=True 需要显式写出，不能省略。

如果上面的库都返回空：你大概率面对的是扫描件

pdfplumber、Camelot、Tabula 有一个共同的硬边界：它们读的是 PDF 的文本层，扫描件没有文本层。如果快速体检时复制出来是乱码或空，代码写得再漂亮也没用。

扫描件的处理路径完全不同：先把 PDF 页面转成图片，再用 OCR 识别文字，然后从识别结果中重建表格。一个最小化的流程是：

from pdf2image import convert_from_pathimport pytesseractpages = convert_from_path("scanned.pdf", dpi=300)for page_img in pages:    text = pytesseract.image_to_string(page_img, lang="chi_sim+eng")    # 后续需要从 text 中解析表格结构

但需要清醒认识到：OCR 得到的是文本流，行列结构需要额外重建。简单的表格可以靠坐标或分隔符解析，复杂表格通常需要 img2table 这类专门针对图片表格的库，或者接入更强的表格结构识别模型。这条路径的复杂度和纯文本 PDF 不是一个量级，如果扫描件是少数，人工核对可能比搭 OCR 流水线更划算。

最后：没有“最好”的库，只有“先判断、再动手”

回到开头的三个问题。你的 PDF 有没有文本层、有没有边框线、布局乱不乱，决定了你应该从哪个工具开始。

一个有边框的文本 PDF，Camelot lattice 可能三行代码就出结果；一个无边框的银行流水，pdfplumber 的 text 策略配上 debug_tablefinder() 看着图调参数，比反复猜 edge_tol 高效得多；一个扫描件，任何文本提取库都救不了，直接走 OCR。

真正重要的不是背下每个库的参数，而是养成一个习惯：打开 PDF，先做一次 30 秒的分类，再写第一行代码。 分类对了，剩下的只是调参和清洗；分类错了，再漂亮的代码也只会返回一个空列表。