如何提取企业年报中表格的数据？-使用camelot库

 参考资料链接：Python解析pdf表格 | Camelot库(完胜） VS Pdfplumber库

一、表格在单独一页的情况

import camelot
pdf=r"C:\Users\ziyao\Desktop\python for work\办公\work1\2018年10月全国城市空气质量报告.pdf"
table=camelot.read_pdf(pdf, pages='11')
print(table)#查看该页的表格数量
print(table[0])#查看表格的规格

df=table[0].df#将提取出的数据转换为dataframe
df.to_excel('tables.xlsx')

原文件的表格： 

 提取出来的Excel表格：

二、表格横跨多个不同页面 

考虑到篇幅过长，所以不放原表格 

import camelot
import pandas as pd
pdf=r"C:\Users\ziyao\Desktop\python for work\办公\work1\2018年10月全国城市空气质量报告.pdf"
table = camelot.read_pdf(pdf, pages='11-13')
#开始识别横跨11-13页的表格
#识别表头
columns = table[0].df.iloc[0] 
#识别除表头外三页表格
df1 = table[0].df.iloc[1:]   
df2 = table[1].df.iloc[1:]   
df3 = table[2].df.iloc[1:]
#合并三个表格
df=pd.concat([df1,df2,df3])
#定义合并后表格的表头
df.columns=columns
df.to_excel('table.xlsx')

可以发现结构基本一样，只多了一步将三个表格合并为一个表格