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。
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。
' F: W& W( n( e5 o# ~$ a- B6 _7 i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。
' D' O; n* k1 M% U/ H: }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。
# ^: ]& `6 J3 S2 a6 X# P; f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？
/ c0 X1 b0 m" {: n/ A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。
9 ~! w$ V' V. ?: B$ l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。
5 ]3 A) O. x+ v' k% ]" w, [6 K0 |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。
5 h% L: q1 x0 [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。
4 n2 x* p5 q" @: J9 H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。
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。
* ?4 z4 a! b* 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。
+ c2 f) C8 t6 X  r+ G+ X* 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。
1 U$ ], u9 g5 U+ t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。
- L( h. O0 g- E; o1 wmacOS 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。
2 U  r% E& P; |( E! q7 N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。
" s& S" O5 p* i% j$ s9 t! E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。
你只需要翻到对应的页面，用鼠标勾选表格区域。
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。
- C/ i: o, \2 S- Y7 s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。
导出的结果就成了这个样子：
7 b/ e4 F) r( @6 r1 B1 q这怎么办呢？
其实，处理起来并不算困难。
3 r- T) _9 x  v; R$ }3 l! t我们先导出自动转换结果为 CSV ，然后用 Excel 打开。
& I- _' l' X4 R$ w% Q这里以第一列为例。显然，这里三列数据被挤在了一起。
" [- [7 L0 {  A* @: n好在因为这些数据都是用空格分割，因此拆分并不困难。
我们新建两个空列，好容纳新拆出来的数据。
8 Y& [* a5 p. j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。
第一屏直接继续。
第二屏选择 Space （空格） 作为切分符号。
5 m) u6 Z! N& z  }' ]1 o点击 Finish ，就可以了。
看，是不是已经拆分成功了？

+ R2 C& P6 h6 q6 t( U1 t8 k
• 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。
  

祝学习进步！

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！