夜雨聆风
有些表格整理工作，说难也不难，说简单也不简单。
比如一批政府网站年报、企业年报、项目验收报告、审计报告或者统计年鉴 PDF，里面的字段都差不多，但每次都要人工打开文件、翻页、复制表格、整理 Excel。
文件少的时候还能忍，文件一多就很麻烦。
尤其是这种场景：
河北省-130000-2022.pdf
山西省-140000-2022.pdf
辽宁省-210000-2022.pdf
江苏省-320000-2022.pdf
浙江省-330000-2022.pdf每份 PDF 里都有类似的表格字段：
• 网站名称 • 主办单位 • 网站类型 • 信息发布总数 • 政务动态信息数 • 解读回应信息数 • 办事服务事项数 • 互动交流留言数
人工处理时，一份 PDF 可能只需要几分钟，但几十份、几百份放在一起，就会变成非常重复的机械劳动。
这篇教程要做的事情很直接：
用 Python 批量读取 PDF 表格，自动提取核心字段，最后汇总成一张 Excel 表。
一、背景
很多 PDF 年报看起来像“表格”，但实际上并不是 Excel 表。
它们通常是 PDF 页面里的文字、线条和坐标信息。
人工可以直接看懂：
但对程序来说，需要先把 PDF 页面里的表格结构识别出来，再把字段和字段值对应起来。
所以这个任务可以拆成四步：
读取 PDF 文件
→ 提取页面表格
→ 根据关键词定位字段
→ 汇总导出 Excel最终我们希望得到一张这样的结果表：
二、代码思路
这篇教程主要使用三个 Python 包：
pdfplumber | |
pandas | |
re |
整体代码逻辑如下：
1. 扫描 input_pdfs 文件夹中的所有 PDF
2. 从文件名中提取省份、行政区划代码、年份
3. 逐页读取 PDF 表格
4. 把表格内容拉平成文本单元格
5. 根据关键词查找字段值
6. 将每份 PDF 的结果合并
7. 导出 CSV 和 Excel 文件三、安装依赖
先安装需要用到的 Python 包：
pip install pdfplumber pandas openpyxl如果后面需要处理扫描版 PDF，还可以额外使用 OCR 工具。
但这次先处理最常见的一类：
带文本层的 PDF，也就是可以直接复制文字的 PDF。
四、核心代码
1. 导入依赖
import re
from pathlib import Path
import pandas as pd
import pdfplumber这里用到的几个库分别负责：
• Path：管理文件路径；• re：用正则表达式解析文件名；• pandas：整理和导出结果；• pdfplumber：读取 PDF 表格。
2. 从文件名提取信息
假设 PDF 文件名格式为：
河北省-130000-2022.pdf我们可以从中提取：
• 省份：河北省 • 行政区划代码：130000 • 年份：2022
代码如下：
def parse_filename(pdf_path: Path) -> dict:
"""
从文件名中提取省份、行政区划代码和年份。
文件名示例：河北省-130000-2022.pdf
"""
name = pdf_path.stem
pattern = r"(.+?)-(\d{6})-(\d{4})"
match = re.search(pattern, name)
if not match:
return {
"省份": "",
"行政区划代码": "",
"年份": ""
}
province, code, year = match.groups()
return {
"省份": province,
"行政区划代码": code,
"年份": year
}这一步的作用是先把文件本身的信息提取出来。
很多年报 PDF 的文件名里已经包含地区和年份，这些信息不需要再从正文里找，直接从文件名解析更稳定。
3. 清洗单元格文本
PDF 表格提取出来以后，单元格里经常会有换行、空格、特殊符号。
所以先写一个文本清洗函数。
def clean_text(x):
"""
清洗 PDF 表格中的单元格文本。
"""
if x is None:
return ""
x = str(x)
x = x.replace("\n", "")
x = x.replace("\r", "")
x = re.sub(r"\s+", "", x)
return x.strip()比如原始内容可能是：
信息发布
总数清洗后会变成：
信息发布总数这样后面用关键词匹配时会更方便。
4. 提取 PDF 中的所有表格
接下来读取 PDF 的每一页，并提取页面中的表格。
def extract_all_tables(pdf_path: Path) -> list:
"""
提取 PDF 中的所有表格。
返回结果是一个二维表格列表。
"""
all_tables = []
with pdfplumber.open(pdf_path) as pdf:
for page_no, page in enumerate(pdf.pages, start=1):
tables = page.extract_tables()
for table in tables:
cleaned_table = []
for row in table:
cleaned_row = [clean_text(cell) for cell in row]
cleaned_table.append(cleaned_row)
all_tables.append({
"page": page_no,
"table": cleaned_table
})
return all_tables这里需要注意：
• 一个 PDF 可能有很多页； • 一页里可能有多个表格； • 每个表格可能有很多行和列； • 提取后要统一清洗单元格内容。
5. 根据关键词查找字段值
年报表格通常是“字段名—字段值”的形式。
比如：
我们可以根据关键词找到字段所在单元格，然后取右侧单元格作为字段值。
def find_value_by_keyword(all_tables: list, keyword: str) -> str:
"""
在所有表格中查找关键词，并返回其右侧单元格内容。
"""
for item in all_tables:
table = item["table"]
for row in table:
for col_idx, cell in enumerate(row):
if keyword in cell:
if col_idx + 1 < len(row):
value = row[col_idx + 1]
if value:
return value
cell_clean = cell.replace(keyword, "")
if cell_clean:
return cell_clean
return ""这个函数的核心逻辑是：
找到关键词
→ 查看右侧单元格
→ 如果右侧有值，就返回
→ 如果没有，再尝试从当前单元格中拆出值6. 提取单个 PDF 的核心字段
现在可以把前面的函数组合起来，提取一份 PDF 的关键信息。
def extract_one_pdf(pdf_path: Path) -> dict:
"""
提取单个 PDF 年报中的核心字段。
"""
file_info = parse_filename(pdf_path)
all_tables = extract_all_tables(pdf_path)
field_map = {
"网站名称": "网站名称",
"主办单位": "主办单位",
"网站类型": "网站类型",
"信息发布总数": "信息发布总数",
"政务动态信息数": "政务动态信息数",
"解读回应信息数": "解读回应信息数",
"办事服务事项数": "办事服务事项数",
"互动交流留言数": "互动交流留言数"
}
result = {
"文件名": pdf_path.name,
**file_info
}
for output_col, keyword in field_map.items():
result[output_col] = find_value_by_keyword(all_tables, keyword)
return result这里的 field_map 可以按照自己的 PDF 内容继续扩展。
比如你想提取更多字段，可以继续加：
field_map = {
"网站名称": "网站名称",
"主办单位": "主办单位",
"年度总访问量": "年度总访问量",
"首页访问量": "首页访问量",
"新媒体账号数量": "新媒体账号数量"
}7. 批量处理文件夹
最后写一个批量处理函数，扫描整个文件夹里的 PDF。
def batch_extract(input_dir: str, output_dir: str):
"""
批量提取 PDF 表格字段，并导出 CSV 和 Excel。
"""
input_path = Path(input_dir)
output_path = Path(output_dir)
output_path.mkdir(parents=True, exist_ok=True)
pdf_files = sorted(input_path.glob("*.pdf"))
records = []
for pdf_file in pdf_files:
print(f"正在处理：{pdf_file.name}")
try:
record = extract_one_pdf(pdf_file)
records.append(record)
except Exception as e:
records.append({
"文件名": pdf_file.name,
"错误信息": str(e)
})
df = pd.DataFrame(records)
csv_path = output_path / "pdf_year_report_summary.csv"
xlsx_path = output_path / "pdf_year_report_summary.xlsx"
df.to_csv(csv_path, index=False, encoding="utf-8-sig")
df.to_excel(xlsx_path, index=False)
print("处理完成")
print(f"CSV 文件已保存：{csv_path}")
print(f"Excel 文件已保存：{xlsx_path}")这个函数做了几件事：
1. 找到所有 PDF 文件； 2. 逐个 PDF 提取字段； 3. 如果某个文件报错，也不会中断整个程序； 4. 最后统一导出 CSV 和 Excel。
8. 主程序入口
完整脚本最后加上主程序入口：
if __name__ == "__main__":
batch_extract(
input_dir="input_pdfs",
output_dir="output"
)运行代码：
python extract_pdf_tables.py五、结果展示
代码运行后，会在 output 文件夹中生成两个文件：
pdf_year_report_summary.csv
pdf_year_report_summary.xlsx汇总结果示例如下：
从结果可以看到，原本分散在多个 PDF 里的字段已经被统一整理到一张 Excel 表中。
这样后续无论是做描述统计、地区对比，还是进一步合并到面板数据里，都可以直接使用。
六、结果解读
其实重点不是单纯“读取 PDF”，而是完成一条完整的数据整理流程：
批量 PDF 文件
→ 自动识别文件信息
→ 提取表格字段
→ 汇总结构化数据
→ 导出 Excel / CSV相比人工整理，这种方法有三个优势。
1. 节省重复劳动
人工需要逐份 PDF 打开、复制、粘贴。
代码只需要把 PDF 放进指定文件夹，一次运行即可批量处理。
2. 字段格式统一
人工整理时，容易出现字段命名不一致的问题。
比如：
信息发布总数
信息发布数量
发布信息总数代码可以通过统一字段表进行规范化处理。
3. 方便后续分析
导出的 Excel 表可以继续用于：
• 地区对比； • 年份对比； • 政务公开水平测度； • 政府网站绩效评价； • 政策执行透明度指标构建。
七、总结
这次我们演示了如何用 Python 批量提取 PDF 年报中的表格字段。
整个流程可以概括为：
读取 PDF
→ 提取表格
→ 匹配关键词
→ 整理字段
→ 导出 Excel对于大量格式相近的 PDF 文件，这种方法非常适合用来减少重复劳动。
它尤其适用于：
• 政府网站年报整理； • 企业年报字段提取； • 项目验收报告汇总； • 审计报告表格提取； • 统计公报数据整理； • 政策文件附表提取。
最后得到的不是一堆零散 PDF，而是一张可以继续分析的结构化数据表。
这也是 Python 自动化处理 PDF 的核心价值：
把“看得见但不好用”的 PDF 表格，变成“能统计、能合并、能分析”的 Excel 数据。
