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。
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。
) _5 j; s* J- q% y% n( d. Z$ x不少读者询问，如果是 PDF 文件中的表格呢？能否正确转换？
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。
《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。
4 S; s+ q2 |. v2 n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。
! O2 X1 Z' V8 u( q6 X9 S% ^" `例如这样的：
$ R0 U2 P2 d( W, ?4 N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？
对，就是大名鼎鼎 BERT 语言模型。
: e: Q6 r: u- d, ]. n% R' m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。
4 ~4 P' h. k" s" t0 D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。
- z4 x" q% ~0 h, V) h6 c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。
" E% E$ t: I; V1 Z' P% h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。
+ ?, E5 ^$ H6 \6 Q它的名字叫做 Tabula ，网站链接在这里。
网站提供了 Windows 和 macOS 版本的下载链接，还有对应的源代码。
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。
请点击对应的链接下载安装。
" H7 G; ^7 h; `1 SmacOS 系统下载安装文件压缩包，解压之后，会出现这样一个目录。
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。
点击上图中的 Browse 按钮，选择硬盘上的 PDF 文件。
2 D# [2 e5 u, w/ W- w: g然后点击 Import 按钮导入。
导入后的 PDF 文章内容会分页显示出来。
  Y; w: b# [' ~6 v. O6 {8 o- X你只需要翻到对应的页面，用鼠标勾选表格区域。
. r( H/ w4 i9 i; x! |. H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。
  G' P7 ?+ p: T4 @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。
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。
例如选择这个表格的时候。
: w) y9 ~' m! j6 L' y1 Q导出的结果就成了这个样子：
这怎么办呢？
其实，处理起来并不算困难。
6 E, W) j) l& C% ~* H( y我们先导出自动转换结果为 CSV ，然后用 Excel 打开。
: t) K8 m- C8 n0 j% F这里以第一列为例。显然，这里三列数据被挤在了一起。
) N) t# r" K  l! S- c( _2 Z  G好在因为这些数据都是用空格分割，因此拆分并不困难。
8 ^  W+ c: O5 V7 v' Z3 N6 W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。
* R8 |$ L* t; q) Q进入 Data 选单，选择 Text to Columns （文本到列）按钮。
第一屏直接继续。
6 N8 _) s' }; d' w; V2 T$ x/ f第二屏选择 Space （空格） 作为切分符号。
1 o! G9 ~' X: s# `" r& i点击 Finish ，就可以了。
# x) w' T: S2 U  P看，是不是已经拆分成功了？

1 D: ^' {) k: B- J+ o8 A
• 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；
  
• 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；
  
• 对于未能正确分列的转换结果，可以使用 Excel 快速进行调整。
  6 q3 h1 |" J/ J' I, w7 ]

祝学习进步！
  P# W6 S! K* j9 m" K1 r
5 ~" |+ u6 _9 G' i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！