我要评论很多同学第一次接触 pdf 数据处理时，都会遇到一个问题：
pdf 里的表格能看，不能算，不能统计。
比如：
- 招聘成绩公示
- 学校成绩单
- 名单汇总表
本文将通过一个完整可运行的 python 示例，一步一步教你：
如何把一个多页 pdf 表格，稳定地转换成 excel 文件
一、整体思路先说明（很重要）
在正式写代码前，你一定要明白一件事：
pdf ≠ excel
- excel：天然是“行 + 列”
- pdf：只是“排好版的页面”
所以我们要做的是：
1. 从 pdf 中提取“表格结构” 2. 把每一行数据收集起来 3. 修复列数不一致的问题 4. 再导出为 excel
二、完整代码（先给结论）
下面是完整、可直接运行的代码，后面我会逐步拆解讲解。
import pdfplumber
import pandas as pd
import os
def pdf_to_excel(pdf_path, excel_path):
all_rows = []
# 打开 pdf
with pdfplumber.open(pdf_path) as pdf:
print(f"pdf共有 {len(pdf.pages)} 页")
# 遍历每一页
for page_num, page in enumerate(pdf.pages, start=1):
print(f"正在处理第 {page_num} 页...")
tables = page.extract_tables()
if not tables:
continue
for table in tables:
for row in table:
# 跳过全空行
if row and any(cell and cell.strip() for cell in row if isinstance(cell, str)):
all_rows.append(row)
if not all_rows:
print(" 未提取到任何表格数据")
return
# 计算最大列数
max_cols = max(len(row) for row in all_rows)
print(f"检测到最大列数：{max_cols}")
# 统一所有行的列数
normalized_rows = []
for row in all_rows:
if len(row) < max_cols:
row = row + [none] * (max_cols - len(row))
elif len(row) > max_cols:
row = row[:max_cols]
normalized_rows.append(row)
# 第一行作为表头
header = normalized_rows[0]
data = normalized_rows[1:]
# 去除重复表头行
clean_data = []
for row in data:
if row != header:
clean_data.append(row)
# 构建 dataframe
df = pd.dataframe(clean_data, columns=header)
# 清理空行、空列
df = df.dropna(how='all').dropna(axis=1, how='all')
# 导出 excel
df.to_excel(excel_path, index=false, engine='openpyxl')
print("\n 转换完成")
print(f"excel 文件路径：{excel_path}")
print(f"数据行数：{len(df)}")
print(f"列数：{len(df.columns)}")
print("列名：", list(df.columns))
print("\n前 5 行数据预览：")
print(df.head())
if __name__ == "__main__":
pdf_file = "example.pdf"
excel_file = "result.xlsx"
if not os.path.exists(pdf_file):
print(f"找不到 pdf 文件：{pdf_file}")
else:
pdf_to_excel(pdf_file, excel_file)三、逐步解析代码（小白重点）
1、导入库
import pdfplumber import pandas as pd import os
作用说明：
| 库 | 作用 |
|---|---|
| pdfplumber | 读取 pdf、提取表格 |
| pandas | 处理表格数据 |
| os | 判断文件是否存在 |
2、定义核心函数
def pdf_to_excel(pdf_path, excel_path):
这个函数只做一件事：
把一个 pdf 表格文件，转换成 excel
3、收集所有表格行
all_rows = []
为什么要这样做？
因为 pdf 是一页一页的，
但 excel 是一个整体表格。
4、打开 pdf 并逐页处理
with pdfplumber.open(pdf_path) as pdf:
pdf.pages：pdf 的每一页extract_tables()：提取当前页中的表格
5、跳过空行（非常关键）
if row and any(cell and cell.strip() for cell in row if isinstance(cell, str)):
作用：
- 防止空行进入 excel
- 防止生成一堆没用的数据
6、为什么要“统一列数”（核心思想）
max_cols = max(len(row) for row in all_rows)
现实中的 pdf 表格：
- 有的页 8 列
- 有的页 9 列
- 有的页 10 列
如果不统一，pandas 会直接报错
所以我们要：
不足的补 none，多的截断
7、第一行作为表头
header = normalized_rows[0]
pdf 表格通常每一页都有表头，
我们只保留第一行作为最终列名。
8、去掉重复表头行
if row != header:
clean_data.append(row)
否则 excel 会变成：
职位代码 | 职位名称 | ... 职位代码 | 职位名称 | ... 职位代码 | 职位名称 | ...
9、导出 excel
df.to_excel(excel_path, index=false, engine='openpyxl')
这一步就是真正生成 excel 文件。
四、示例 pdf 模板（示意）
假设你的 pdf 表格内容长这样（每一页类似）：
| 职位代码 | 职位名称 | 准考证号 | 考场号 | 座位号 | 成绩 |
|---|---|---|---|---|---|
| 00001 | a001 | a00010201 | 2 | 1 | 78.25 |
| 00001 | a001 | a00010101 | 1 | 1 | 82.50 |
五、预期 excel 处理结果
最终生成的 excel 表格应为：
| 职位代码 | 职位名称 | 准考证号 | 考场号 | 座位号 | 成绩 |
|---|---|---|---|---|---|
| 00001 | a001 | a00010201 | 2 | 1 | 78.25 |
| 00001 | a001 | a00010101 | 1 | 1 | 82.50 |
| … | … | … | … | … | … |
一人一行，可直接统计、排序、筛选
六、这个程序能做什么 / 不能做什么
能处理
- 多页 pdf 表格
- 列数不一致
- 招聘、公示、成绩类 pdf
不能处理
- 扫描版 pdf（图片）
- 完全靠空格排版的“假表格”
七、总结一句话
pdf → excel 的难点不在“读取”，而在“结构修复”。
这份代码已经解决了：
- 多页
- 表头重复
- 列数不一致
以上就是python把pdf表格完整转换成excel的小白教程的详细内容，更多关于python pdf表格转成excel的资料请关注代码网其它相关文章！
发表评论