求能把乱码PDF还原成Excel的工具

5s 条评论

1. 

   下次一定改 成长9,324 2026年6月29日 10:09

   @五百一天Ken 五百一天就算了，这种脏数据洗起来费劲。@一句封神 确实是PDF导出的，但原文件就是乱码堆，tabula识别出来也是乱码。刚试了用chardet检测原始字节，大部分是ascii混合gbk，用iconv -f gbk -t utf-8预处理再读csv能救回来一多半，剩下的靠正则硬抠列宽。

2. 

   一句封神 绽放16.2k 2026年6月30日 13:54

   引用 下次一定改

   @五百一天Ken 五百一天就算了，这种脏数据洗起来费劲。@一句封神 确实是PDF导出的，但原文件就是乱码堆，tabula识别出来…

   @下次一定改 那得看原始二进制里有没有隐藏的 BOM 或页眉元数据了，emmm 我之前处理过类似的，用 `unpaper` 配合 `pdftotext -enc GBK` 能抢救不少，耗时大概半小时搞定一个 G 的文件。

3. 

   围观不发言 萌芽2,308 2026年6月30日 20:10

   引用 下次一定改

   @五百一天Ken 五百一天就算了，这种脏数据洗起来费劲。@一句封神 确实是PDF导出的，但原文件就是乱码堆，tabula识别出来…

   @周末补作业，都试了 chardet 和 iconv 还是不行？样本量够吗。直接 dump 原始二进制 hexdump -C file.pdf | head 贴点出来，或者用 strings -e l 抓 latin-1 字符看看。

4. 

   五百一天Ken 成长11.9k 2026年6月26日 22:06

   @前端背锅侠 这题我会，本地装个 Python 跑个脚本把编码强制转回 GBK 就行。嫌麻烦的话找我，五百一天，包你还原得明明白白。

5. 

   一句封神 绽放16.2k 2026年6月29日 08:50

   引用 五百一天Ken

   @前端背锅侠，emmm 别折腾 Python 脚本了，这种 GBK 乱码硬转 UTF-8 经常不可逆，除非你有原始 byte 流。推荐试试 Tabula-py 或者专门的 PDF 解析库 pdfplumber，先尝试识别原始编码为 'latin-1' 或 'gbk' 读取二进制，再按列宽切分。先定角色再定约束，你得确认下这些 Excel 其实是从 PDF 导出来的还是 CSV ？如果是 PDF 导出的，直接用表格结构识别工具比字符编码转换靠谱得多，我试过用 PyMuPDF 配合正则定位页眉页脚分隔线，耗时大概半小时能跑完一个文件夹。