如何将 PDF 表格数据免费转换到 Excel ？

.老人

所见即所获，提升你的数据采集效率。
" t- b2 E( c9 \$ E; v写了那篇《如何用Python批量提取PDF文本内容？》后，我在后台收到了许多留言。
不少读者询问，如果是 PDF 文件中的表格呢？能否正确转换？
% d/ L* W" v5 |1 m' k( M% }我当时没有理解这种需求。因为那篇文章谈的主要是把文本抽取出来，目的主要是进行下一步的自然语言处理。这种 PDF 文件中大量的内容，都是文字。表格在其中，只占非常小的比例。
" W; n- E/ j- U3 q0 C  I2 l/ Q$ O# W《如何用Python批量提取PDF文本内容？》一文提供的工具pdf_extractor会保留表格里面的数据，但是结构信息基本就被丢弃掉了。表格转换，属于结构化数据提取。这和我当时文章所谈的主旨不同。所以我没有一一回复。
然而，最近我自己也遇到了这种需求。
( E2 A- s9 U$ ~5 Y我需要从一些论文的表格中，抽取一些数据。尤其是一些对比结果的列表。
在机器学习的论文中，总会有这种对比表格。主要是把目前模型的结果，与基准线或者当前最好的结果进行比对，从而说明论文的价值和意义。我在《文科生用机器学习做论文，该写些什么？》一文里，专门给你谈过这种对比的选择。
/ n* E$ q4 o& _6 L! x" O8 N; I例如这样的：
如果在跟踪自然语言处理进展的话，你一眼就能认出，这个表格来自于哪篇论文，对吧？
+ \- u/ B' g! Z8 S8 H1 d对，就是大名鼎鼎 BERT 语言模型。
一方面，我们可能需要对论文表格中出现的一些数据进行统计计算。另一方面，我们也需要把部分结果，放在自己的论文里作为对比。而这些，如果都需要我们手动提取数据，然后再输入到程序中或者 Excel 里，会很低效。
我们需要一种简便的方法，帮助自己把 PDF 表格里面的信息，在尽可能保持格式的情况下，正确提取出来。
既然有了需求，我就开始搜集信息。我发现，目前支持从 PDF 中抽取表格的应用，其实还真不少。
但是转换的效果，真的是参差不齐。使用的难易程度，也高低不一。有的需要你自己编写脚本，才能完成操作。
其中转换效果较好，使用又方便的，大多是收费的。而且其中有些还着实并不便宜。
# _# _1 G! v; G4 p几经搜寻对比，我终于找到了一款免费且简便好用的工具。而且经过实际尝试，发现转换效果还不错。
这里，我把它推荐给你。希望能帮你在阅读和写作过程中，提升 PDF 表格数据采集的效率。
& \' n4 ~1 t& ?& L它的名字叫做 Tabula ，网站链接在这里。
9 X; [& T% _$ i+ E+ F网站提供了 Windows 和 macOS 版本的下载链接，还有对应的源代码。
: N. r% k# K- @, [; m* U0 g# S) \我的操作系统是 macOS ，因此这里以 macOS 版本为例。你如果使用 Windows 系统，操作是大同小异的。
% c! I' W  ?) x0 a9 Y6 F( @% K请点击对应的链接下载安装。
macOS 系统下载安装文件压缩包，解压之后，会出现这样一个目录。
$ s3 A( n9 u* e- H" F) P双击执行其中的 Tabula.app ，你就可以看见浏览器中出现这样的 Web 界面。
下面我们转换一个 PDF 文件试试看。
这里，我用 BERT 论文中的表格采集为例，给你讲讲 Tabula 的使用方法。
5 q) o  j5 {+ l. m- O点击上图中的 Browse 按钮，选择硬盘上的 PDF 文件。
. J( _& u( t" N; C) J9 o* J+ S然后点击 Import 按钮导入。
" b8 R; P6 U. @( `* v导入后的 PDF 文章内容会分页显示出来。
4 M/ z# L" G5 t6 ?& H( a你只需要翻到对应的页面，用鼠标勾选表格区域。
5 |, E5 @9 K! H, P1 e' k然后点击右上方绿色的 “Preview and Export Extracted Data” 按钮，就可以看到抽取结果了。
然后，点击 Export 按钮，就可以把结果用 CSV 格式导出，并且可以在 Excel 中打开了。
6 B  u9 Q- _- v2 t7 n7 p但是，有些复杂表格的提取中，原本不同的列，可能会被错误地放在一起。
6 H5 l% y5 y! e' O6 @8 @+ W* q例如选择这个表格的时候。
  H) w  }/ d* _" |& p导出的结果就成了这个样子：
& R3 V) n- i2 ?$ P; Q! ~( F8 o这怎么办呢？
  b! A, s) V! O9 a0 \. p( Z其实，处理起来并不算困难。
2 K1 e  n1 I8 K+ [7 |# n我们先导出自动转换结果为 CSV ，然后用 Excel 打开。
% y! i& I2 l0 f. J5 h这里以第一列为例。显然，这里三列数据被挤在了一起。
好在因为这些数据都是用空格分割，因此拆分并不困难。
' c% A6 j8 r! ?; I) Q2 R我们新建两个空列，好容纳新拆出来的数据。
然后选中第一列中需要拆分的数据。
进入 Data 选单，选择 Text to Columns （文本到列）按钮。
7 r1 s: R# H# E0 c第一屏直接继续。
第二屏选择 Space （空格） 作为切分符号。
点击 Finish ，就可以了。
( E$ I7 T  p8 K0 ~! }% G看，是不是已经拆分成功了？

• 你遇到的功能需求，可能别人早就解决了。因此可以找寻工具来解决，而不必自己重复发明轮子；
  ( }8 {; M0 H% y; r& H7 j
• 对于工具的搜寻，需要掌握主动搜索的技巧。这样才能迅速定位候选项。这里给你推荐一篇搜索引擎使用技巧的教程，链接在这里；
  
• 学会利用 Tabula 从 PDF 格式的文档中自动转换表格为 Excel 可读的 CSV 格式；
  ! I& i; ^4 `6 O5 K
• 对于未能正确分列的转换结果，可以使用 Excel 快速进行调整。
  

祝学习进步！
" f8 \# I2 a; k( m3 y3 q5 W, ]
7 N1 X+ z9 ]4 h6 n来源：http://www.yidianzixun.com/article/0LcrRSSQ
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！