Tabula：把PDF里的表格取出来

Tabula 在 GitHub 上拿到了 7.4K Star。

处理过 PDF 数据的人都经历过这种场景：一份报告里嵌了一张表，你想把数据弄进 Excel。复制粘贴过去，格式全乱了，一行数据拆成三行，列对不齐，数字和文字搅在一起。每次都得手动重新整理，花的时间比分析数据本身还长。

Tabula 就是解决这个问题的。打开浏览器，上传 PDF，框选表格区域，点导出，CSV 出来了。

1、 这玩意儿是干嘛的

把 PDF 里的表格拿出来，变成 CSV。

Tabula 是一个带 Web 界面的桌面工具。它在本地启动一个服务，浏览器里上传 PDF、选中表格、提取数据。整个过程，你的 PDF 和提取出的数据不经过任何远程服务器，全在本地完成。

它只处理文本型 PDF。判断方法很简单：用 PDF 阅读器打开，能用鼠标选中表格里的文字，Tabula 就能处理。扫描件不行，那是 OCR 的活儿。

2、 为什么不用手抄

做过数据分析、报表整理的人都懂，PDF 取数这个环节永远在拖后腿。甲方发过来的季度报告、政府公开的统计数据、学术论文的附录，数据锁在 PDF 表格里。

一个表格手动敲一敲还行。十个就要命了。一百个呢？

Tabula 把这个操作的耗时压缩到了拖框加一次点击。而且支持批量：一个 PDF 里有多张表，一次性框选多个区域，分别导出。

3、 安装和使用

各平台都有打包好的版本。Windows 用户下载 tabula-win.zip，解压双击 tabula.exe，浏览器自动打开操作界面。Mac 用户下载 tabula-mac.zip，打开 App 就行。Linux 用户通过 snap 安装：sudo snap install tabula，或者下载 JAR 包用 java -jar tabula.jar 运行。

Docker 用户拉一个 JRE 镜像，挂载 tabula.jar，映射 8080 端口，docker compose up -d 就起来了。

前提是要有 Java 运行环境，Java 7 及以上。

操作流程：浏览器访问 localhost:8080，上传 PDF，Tabula 自动检测表格区域。你也可以手动拖框调整选区。选好后点 Export，下载 CSV 文件。完事。

4、 进阶：用代码批量处理

网页界面适合偶尔用，程序员更想把它嵌到自己的流程里。

Tabula 的核心提取逻辑在 tabula-java 这个库里，纯 Java 实现，提供命令行工具：

java -jar tabula-java.jar -o output.csv input.pdf

支持指定页码、指定区域坐标、不同的提取模式。几十个 PDF 文件，写个 shell 脚本循环跑就行。

社区为它写了多门语言的绑定：Python 的 tabula-py、R 的 tabulizer、Node.js 的 tabula-js。不离开自己习惯的编程环境，也能调用 Tabula 的提取能力。

5、 现状和适合谁用

Tabula 是志愿者维护的项目，曾获得 Knight 基金会和 Shuttleworth 基金会的资助。目前原始作者没有时间活跃开发，终端应用近期不太可能有大版本更新，但底层库 tabula-java 偶尔还有修复发布。

它适合的场景：经常需要从 PDF 报告中提取表格数据的分析师、记者、研究人员。也适合需要批量处理 PDF 表格、把数据灌进自己管线的开发者。

不是一个新东西，而是一个把一件事做了十年的工具。

也适合需要批量处理 PDF 表格、把数据灌进自己管线的开发者。

不是一个新东西，而是一个把一件事做了十年的工具。