专栏导读

• 🌸 欢迎来到Python办公自动化专栏—Python处理办公问题，解放您的双手

• 🏳️‍🌈 个人博客主页：请点击——> 个人的博客主页 求收藏

• 🏳️‍🌈 Github主页：请点击——> Github主页 求Star⭐

• 🏳️‍🌈 知乎主页：请点击——> 知乎主页 求关注

• 🏳️‍🌈 CSDN博客主页：请点击——> CSDN的博客主页 求关注

• 👍 该系列文章专栏：请点击——>Python办公自动化专栏 求订阅

• 🕷 此外还有爬虫专栏：请点击——>Python爬虫基础专栏 求订阅

• 📕 此外还有python基础专栏：请点击——>Python基础学习专栏 求订阅

• 文章作者技术和水平有限，如果文中出现错误，希望大家能指正🙏

• ❤️ 欢迎各位佬关注！ ❤️

前言

在日常工作中，我们经常需要从 PDF 文档中提取数据或素材。手动复制粘贴不仅效率低下，而且容易出错。今天，我们将使用 Python 和 Streamlit 快速搭建一个可视化的 PDF 处理工具，实现自动提取表格（并导出为 Excel）和图片的功能。
Github源码
Github源码
Github源码

为什么选择这个技术栈？

• Streamlit: 无需前端知识，用纯 Python 就能写出漂亮的 Web 界面，非常适合快速开发数据工具。
• pdfplumber: 目前 Python 生态中提取 PDF 表格效果最好的库之一，能精确识别表格边框。
• PyMuPDF (fitz): 处理 PDF 底层结构非常快，适合用来提取图片。
• Pandas: 数据处理的神器，配合 OpenPyXL 可以轻松生成 Excel 文件。

核心功能实现

1. 环境搭建

首先，我们需要安装必要的库。创建一个 requirements.txt 文件：

streamlit
pdfplumber
pandas
openpyxl
pymupdf

然后执行 pip install -r requirements.txt。

2. 构建 Streamlit 界面

我们只需要几行代码就能搭建出文件上传和选项卡的界面：

import streamlit as st

st.set_page_config(page_title="PDF工具箱", layout="wide")
st.title("📄 PDF 表格与图片提取工具")

uploaded_file = st.file_uploader("请上传 PDF 文件", type=["pdf"])

if uploaded_file:
    tab1, tab2 = st.tabs(["📊 表格提取", "🖼️ 图片提取"])
    # 后续逻辑写在这里

3. 提取表格并导出 Excel

使用 pdfplumber 打开 PDF，遍历每一页查找表格。为了方便用户下载，我们使用 pandas 将表格数据写入 Excel 的不同 Sheet 中。

关键代码片段：

import pdfplumber
import pandas as pd
import io

# ... 在 tab1 中 ...
if st.button("开始提取表格"):
    with pdfplumber.open(uploaded_file) as pdf:
        # 创建一个 BytesIO 对象用于在内存中保存 Excel 文件
        output = io.BytesIO()
        with pd.ExcelWriter(output, engine='openpyxl') as writer:
            for i, page in enumerate(pdf.pages):
                tables = page.extract_tables()
                for j, table in enumerate(tables):
                    df = pd.DataFrame(table[1:], columns=table[0])
                    # 写入 Excel
                    sheet_name = f"Page_{i+1}_Table_{j+1}"
                    df.to_excel(writer, sheet_name=sheet_name[:31], index=False)
        
        output.seek(0)
        st.download_button("下载 Excel", output, "tables.xlsx")

4. 提取图片

对于图片提取，PyMuPDF (fitz) 更加高效。我们需要遍历 PDF 的对象列表（XREF），找到图片对象并提取其二进制数据。

关键代码片段：

import fitz
from PIL import Image

# ... 在 tab2 中 ...
if st.button("开始提取图片"):
    # 注意：Streamlit 的 uploaded_file 需要读取为 bytes 给 fitz 使用
    doc = fitz.open(stream=uploaded_file.read(), filetype="pdf")
    
    for page in doc:
        image_list = page.get_images(full=True)
        for img in image_list:
            xref = img[0]
            base_image = doc.extract_image(xref)
            image_bytes = base_image["image"]
            
            # 展示图片
            st.image(image_bytes)
            # 提供下载按钮
            st.download_button("下载图片", image_bytes, file_name="image.png")

5. 遇到的坑与解决方案

• 文件指针问题: uploaded_file 是一个流对象。如果先被 pdfplumber 读取了，指针会跑到文件末尾。再传给 fitz 时就会报错。解决方案是在每次读取前调用 .seek(0)，或者一次性读取为 bytes 并在内存中复用。
• Excel Sheet 名称限制: Excel 的 Sheet 名称不能超过 31 个字符，且不能包含特殊字符。在写入时需要做截断处理。
• 扫描版 PDF: 对于全是图片的扫描版 PDF，上述方法无法提取表格文字。这种情况需要引入 OCR（如 PaddleOCR），但这会显著增加复杂度和运行时间。

总结

通过不到 100 行代码，我们就构建了一个实用的办公自动化工具。Streamlit 让我们可以专注于核心逻辑，而无需纠结于 HTML/CSS 的细节。这个工具可以轻松扩展，比如增加 PDF 合并、拆分、转 Word 等功能。

希望这篇教程对你有帮助！完整代码请参考项目仓库。

结尾 -

希望对初学者有帮助；致力于办公自动化的小小程序员一枚 -

希望能得到大家的【❤️一个免费关注❤️】感谢！ -

求个 🤞 关注 🤞 +❤️ 喜欢 ❤️ +👍 收藏 👍 -

此外还有办公自动化专栏，欢迎大家订阅：Python办公自动化专栏 -

此外还有爬虫专栏，欢迎大家订阅：Python爬虫基础专栏 -

此外还有Python基础专栏，欢迎大家订阅：Python基础学习专栏