需要从 PDF 中提取表格（含无边框、多页…

从 PDF 中按页/区域/列检测并提取表格，转为 pandas DataFrame，再导出为 CSV/Excel/JSON/HTML。

适用场景

解决思路

1. 安装依赖：`pip install camelot-py[cv]`；macOS 额外 `brew install ghostscript tcl-tk`；Ubuntu 额外 `apt-get install ghostscript python3-tk`。
2. 读取 PDF：`import camelot`；`tables = camelot.read_pdf('document.pdf')`；用 `len(tables)` 查看表格数量；用 `tables[0].df` 获取第一个表格的 pandas DataFrame。
3. 选择提取方法：有可见边框的表格用 `flavor='lattice'`（默认）；无边框表格用 `flavor='stream'`。
4. 按页选择：单页 `pages='1'`；多页 `pages='1,3,5'`；页范围 `pages='1-5'`；全部页 `pages='all'`。
5. Lattice 高级参数：`line_scale=40` 调整线检测灵敏度；`copy_text=['h', 'v']` 跨合并单元格复制文本；`shift_text=['l', 't']` 调整文本对齐；`split_text=True` 在换行处拆分文本；`flag_size=True` 标记上/下标；`strip_text='\n'` 去除字符；`process_background=False` 处理背景线。
6. Stream 高级参数：`edge_tol=500` 边缘容差；`row_tol=10` 行容差；`column_tol=0` 列容差；`strip_text='\n'` 去除字符。
7. 指定表格区域：用 `table_areas=['72,720,540,400']`；坐标为 `x1,y1,x2,y2`，从 PDF 左下角起、单位为 PDF points（72 points = 1 inch）；多个区域用 `['72,720,540,400', '72,380,540,200']`。
8. 手动指定列位置：stream 方法下用 `columns=['100,200,300,400']` 传入列分隔符的 X 坐标。
9. 遍历结果并读取元数据：对 `enumerate(tables)` 循环；用 `table.df` 获取 DataFrame；读取 `table.page`、`table.accuracy`、`table.whitespace`、`table.order`、`df.shape`、`table.parsing_report`。
10. 导出结果：`table.to_csv('table.csv')`；`table.to_excel('table.xlsx')`；`table.to_json('table.json')`；`table.to_html('table.html')`；遍历所有表格导出为 `table_{i+1}.xlsx`。
11. 可视化调试：`camelot.plot(tables[0], kind='contour').show()` 查看检测区域；`kind='text'` 查看表格文本；`kind='joint'` 查看检测线；`kind='line'`（仅 lattice）查看线；用 `fig.savefig('debug.png')` 保存图。
12. 处理跨页表格：读取多页后按 DataFrame 列结构 `tuple(table.df.columns)` 分组；同组多个表用 `pd.concat(dfs, ignore_index=True)` 合并；返回合并后的表。
13. 最佳实践：先尝试 lattice 再尝试 stream；检查 `accuracy`，通常 >90% 较好；用可视化调试理解提取结果；对多种表格类型的 PDF 指定 `table_areas`；表头首行常需特殊处理。
14. 批量提取：定义 `batch_extract_tables(input_dir, output_dir)`；用 `Path(input_dir).glob('*.pdf')` 遍历；`camelot.read_pdf(str(pdf_file), pages='all')`；跳过 `table.accuracy < 80` 的表；导出为 `{pdf_file.stem}_table_{i+1}.xlsx`；记录 source、table、page、accuracy、output；捕获异常记录 error。
15. 自动选择方法：定义 `smart_extract_tables(pdf_path, pages='1')`；先 `flavor='lattice'`，再 `flavor='stream'`；若 lattice 存在且 `lattice_tables[0].accuracy > 70` 则用 lattice，否则用 stream。
16. 财务报表提取：`camelot.read_pdf(pdf_path, pages='all', flavor='lattice')`；将 `df.to_string().lower()` 中若含 `revenue` 或 `sales` 且含 `operating income` 或 `net income` 归为 income_statement；含 `asset` 和 `liabilities` 归为 balance_sheet；含 `cash flow` 或 `operating activities` 归为 cash_flow；其余放入 other_tables（含 page、data、accuracy）。
17. 科研数据提取：先用 lattice 读取；若没有表或所有 `accuracy < 70`，回退到 stream；清理 DataFrame：若首行不包含数字（`df.iloc[0].str.contains(r'[0-9]')` 为 False），将首行设为列名，删除首行并 `reset_index(drop=True)`；返回 page、accuracy、data。
18. 发票行项目提取：用 `camelot.read_pdf(pdf_path, flavor='lattice')`；检查首行文本是否含 `quantity`、`qty`、`amount`、`price`、`description`；将首行设为列名并删除首行；遍历行并按列名关键词映射：desc/item→description，qty/quantity→quantity，price/rate→unit_price，amount/total→amount；收集非空 item。
19. 比较两个 PDF 的表格：分别 `camelot.read_pdf(pdf1_path)` 和 `camelot.read_pdf(pdf2_path)`；按 `df.shape` 相同匹配表；用 `(t1.df == t2.df).mean().mean()` 计算相似度；记录 page1、page2、similarity、identical（相似度==1.0）、diff（`pd.DataFrame(t1.df != best_match.df)`）。
20. 限制与预处理：加密 PDF 不支持；图片型 PDF 需先 OCR；复杂合并单元格需调参；旋转表格需预处理；大 PDF 建议逐页处理。

适用边界 · 注意事项

• 加密 PDF 不要直接处理，需先解密。
• 图片型 PDF 不要直接处理，需先 OCR 预处理。
• 非常复杂合并单元格、旋转表格或超大 PDF 不要期望默认参数一次成功，需调参、预处理或逐页处理。