TL;DR
Cara ekstrak tabel dari PDF pakai Python paling cepat adalah pakai pdfplumber: buka file, panggil extract_tables() per halaman, lalu ubah hasilnya jadi DataFrame pandas. Kalau tabelnya punya garis kotak yang jelas, Camelot dengan flavor lattice biasanya lebih akurat. PDF hasil scan harus lewat OCR dulu sebelum bisa diekstrak.
Cara ekstrak tabel dari PDF pakai Python paling cepat adalah pdfplumber: buka file, panggil extract_tables() per halaman, lalu ubah hasilnya jadi DataFrame pandas.
Masalahnya klasik. Bagian keuangan kirim laporan dalam bentuk PDF, kamu butuh angkanya buat rekap, dan satu-satunya opsi yang kepikiran adalah ketik ulang.
Aku pernah ngetik ulang neraca 3 halaman selama 40 menit. Skrip yang aku tulis buat ganti kerjaan itu jalannya 6 detik.
Di bawah ini alur lengkapnya, dari install sampai angka rupiah siap dijumlahin.
Pakai pdfplumber. Library ini baca layer teks di dalam PDF, deteksi posisi garis dan jarak antar kata, lalu susun ulang jadi baris dan kolom. Satu perintah pip install pdfplumber, gak butuh Java atau software tambahan. Hasilnya list of list Python yang tinggal kamu kasih ke pandas.
import pdfplumber
import pandas as pd
path = "laporan-keuangan-2024.pdf"
semua_tabel = []
with pdfplumber.open(path) as pdf:
for nomor, halaman in enumerate(pdf.pages, start=1):
for tabel in halaman.extract_tables():
df = pd.DataFrame(tabel[1:], columns=tabel[0])
df["halaman"] = nomor
semua_tabel.append(df)
print(len(semua_tabel), "tabel ketemu")Tiga baris inti doang. pdf.pages itu daftar halaman, extract_tables() balikin semua tabel yang kedeteksi di halaman itu.
Baris pertama tiap tabel biasanya header, makanya dipisah jadi columns.
Karena PDF gak nyimpen tabel sebagai tabel. PDF cuma nyimpen instruksi gambar: taruh huruf A di koordinat x=120 y=340, tarik garis dari sini ke sana. Konsep baris dan kolom itu hasil tebakan library dari posisi teks.
Jadi kalau kolom di laporanmu dipisah pakai spasi doang tanpa garis, tebakannya gampang meleset.
Ada tiga bentuk PDF yang perlu kamu bedain dulu sebelum nulis kode:
Cek tipenya cepat: coba blok teks di file PDF pakai mouse. Kalau bisa diblok, itu PDF teks. Kalau gak bisa, itu hasil scan.
Ketiganya sama-sama bisa narik tabel dari PDF, tapi cara kerjanya beda. pdfplumber murni Python, Camelot butuh Ghostscript buat mode lattice, tabula-py jalan di atas Java. Buat kerjaan harian dengan laporan keuangan Indonesia, pdfplumber menang di kemudahan setup.
| Aspek | pdfplumber | Camelot | tabula-py |
|---|---|---|---|
| Dependensi luar | Gak ada | Ghostscript (mode lattice) | Java runtime |
| Tabel bergaris | Bagus | Paling bagus | Bagus |
| Tabel tanpa garis | Bagus (mode text) | Cukup (mode stream) | Cukup |
| Kontrol area halaman | Detail, bisa crop bebas | Pakai koordinat | Pakai koordinat |
| Laporan akurasi bawaan | Gak ada | Ada, lewat parsing_report | Gak ada |
| Cocok buat | Kerjaan harian, PDF campur | Tabel rapi bergaris, batch besar | Tim yang udah punya Java |
Saran praktisku: mulai dari pdfplumber. Kalau hasilnya kacau dan tabelnya bergaris rapi, baru pindah ke Camelot.
Detail parameter tiap flavor Camelot ada di dokumentasi resminya.
Lima langkah ini yang aku pakai tiap kali dapat PDF laporan baru. Urutannya penting: cek isi file dulu sebelum nulis logika ekstraksi, biar kamu gak buang waktu debug di halaman yang salah.
pip install pdfplumber pandas di virtual environment kamu.with pdfplumber.open(path) as pdf:
for nomor, halaman in enumerate(pdf.pages, start=1):
jumlah = len(halaman.find_tables())
if jumlah > 0:
teks_awal = (halaman.extract_text() or "")[:60]
print(nomor, "|", jumlah, "tabel |", teks_awal.replace("\n", " "))Output-nya kasih kamu peta isi file. Dari situ kamu tau halaman berapa yang isinya laba rugi, neraca, atau arus kas.
Kalau tabelnya gak bergaris, deteksi default sering nyatuin dua kolom jadi satu. Ganti strateginya ke text.
setting = {
"vertical_strategy": "text",
"horizontal_strategy": "text",
"intersection_tolerance": 5,
}
with pdfplumber.open(path) as pdf:
halaman = pdf.pages[12]
tabel = halaman.extract_table(setting)
for baris in tabel[:5]:
print(baris)Naikin intersection_tolerance kalau baris kepotong. Turunin kalau dua kolom nempel jadi satu.
Potong area halamannya dulu pakai crop. Koordinatnya dalam satuan point, dihitung dari kiri atas.
area = halaman.crop((0, 90, halaman.width, halaman.height - 60))
tabel = area.extract_table(setting)Angka 90 dan 60 itu tinggi kop surat dan footer nomor halaman. Sesuaikan sama layout laporanmu.
Angka di laporan Indonesia ditulis 1.234.567,89. Python bacanya kebalik, titik dianggap desimal. Kalau kamu langsung float(), hasilnya error atau salah 1000 kali lipat. Fungsi di bawah ini nanganin pemisah ribuan, koma desimal, simbol Rp, dan kurung yang artinya nilai negatif.
import re
def bersihin_angka(nilai):
if nilai is None:
return None
teks = str(nilai).strip()
if teks in ("", "-", "–"):
return None
negatif = teks.startswith("(") and teks.endswith(")")
teks = re.sub(r"[^\d,.]", "", teks)
teks = teks.replace(".", "").replace(",", ".")
if teks == "":
return None
angka = float(teks)
return -angka if negatif else angka
print(bersihin_angka("Rp 1.234.567,89")) # 1234567.89
print(bersihin_angka("(2.500.000)")) # -2500000.0
print(bersihin_angka("-")) # NoneTerapin ke kolom angka di DataFrame kamu:
for kolom in ["2024", "2023"]:
df[kolom] = df[kolom].map(bersihin_angka)
df.to_csv("laba-rugi-bersih.csv", index=False)Sebelum lanjut ke analisis, cek dulu ada berapa nilai yang jadi None. Angka None yang kebanyakan artinya parsing kamu masih meleset, bukan datanya yang kosong. Ini bagian dari kerjaan jaga data quality yang sering dilewatin.
Toko Berkah punya 4 cabang di Yogyakarta. Tiap kuartal, akuntan eksternal mereka kirim laporan laba rugi dalam PDF 22 halaman. Rekap manualnya makan waktu setengah hari kerja.
Struktur tabelnya begini setelah diekstrak dan dibersihin:
| Pos | Q3 2025 (Rp) | Q2 2025 (Rp) |
|---|---|---|
| Penjualan bersih | 1.842.500.000 | 1.615.300.000 |
| Harga pokok penjualan | (1.271.325.000) | (1.098.404.000) |
| Laba kotor | 571.175.000 | 516.896.000 |
| Beban operasional | (402.400.000) | (338.700.000) |
| Laba bersih | 168.775.000 | 178.196.000 |
Angka yang menarik muncul setelah semuanya jadi float. Penjualan naik 14,1 persen dari kuartal sebelumnya, tapi laba bersih justru turun 5,3 persen. Penyebabnya beban operasional yang naik 18,8 persen, lebih cepat dari kenaikan omzetnya.
df["selisih"] = df["2025Q3"] - df["2025Q2"]
df["pertumbuhan_persen"] = (df["selisih"] / df["2025Q2"].abs() * 100).round(1)
print(df[["pos", "pertumbuhan_persen"]])Insight kayak gini yang kelewat kalau kamu cuma baca PDF-nya sekali lewat. Begitu angkanya masuk pandas, bandingin antar periode cuma butuh satu baris kode.
Kalau skrip ini mau kamu jalanin tiap kuartal tanpa dipantengin, ubah dulu jadi file .py dan pasang penjadwal. Cara lengkapnya ada di artikel dari notebook ke skrip terjadwal.
PDF hasil scan isinya gambar, jadi extract_text() balikin string kosong. Solusinya OCR: proses yang ngenalin huruf dari gambar dan nambahin layer teks ke file PDF-nya.
Tool paling gampang buat ini ocrmypdf, yang di belakang layar pakai Tesseract.
pip install ocrmypdf
ocrmypdf -l ind+eng scan-laporan.pdf laporan-ocr.pdfFlag -l ind+eng bilang ke Tesseract buat pakai model bahasa Indonesia dan Inggris sekaligus. Penting, soalnya laporan keuangan Indonesia biasanya campur dua bahasa itu.
Setelah jadi laporan-ocr.pdf, prosesnya balik lagi ke pdfplumber seperti biasa. Tapi turunin ekspektasi kamu. Digit 8 kebaca jadi 3, angka nol jadi huruf O, itu hal biasa di hasil scan. Selalu cek total baris hasil ekstraksi terhadap total yang tertulis di laporan.
Empat hal ini yang paling sering bikin hasil ekstraksi salah tanpa kamu sadar.
Selalu cocokin angka total hasil skrip sama angka total yang tertulis di PDF. Kalau laba kotor hasil hitungan kamu beda 1 rupiah pun, ada baris yang kelewat.
Laporan tahunan bisa 150 halaman. Batasi range halamannya, prosesnya jadi 20 kali lebih cepat dan noise-nya jauh berkurang.
Sel yang digabung sering bikin satu baris punya nilai None di kolom pertama. Isi ulang pakai df["pos"] = df["pos"].ffill() supaya label kategorinya turun ke baris di bawahnya.
Kalau angkanya masih berupa teks pas disimpan, semua rumus di spreadsheet kamu bakal balikin 0. Pastiin kolom angka udah bertipe float sebelum to_excel(). Cek cepat pakai df.dtypes.
Alur bersih-bersih kayak gini adalah bagian awal dari proses ETL yang bener. Ekstrak, transformasi, baru simpan.
import re
import pdfplumber
import pandas as pd
SETTING = {
"vertical_strategy": "text",
"horizontal_strategy": "text",
"intersection_tolerance": 5,
}
def bersihin_angka(nilai):
if nilai is None:
return None
teks = str(nilai).strip()
if teks in ("", "-"):
return None
negatif = teks.startswith("(") and teks.endswith(")")
teks = re.sub(r"[^\d,.]", "", teks).replace(".", "").replace(",", ".")
if teks == "":
return None
angka = float(teks)
return -angka if negatif else angka
def ambil_tabel(path, halaman_awal, halaman_akhir):
hasil = []
with pdfplumber.open(path) as pdf:
for i in range(halaman_awal - 1, halaman_akhir):
for tabel in pdf.pages[i].extract_tables(SETTING):
df = pd.DataFrame(tabel[1:], columns=tabel[0])
df["halaman"] = i + 1
hasil.append(df)
return pd.concat(hasil, ignore_index=True) if hasil else pd.DataFrame()
df = ambil_tabel("laporan-keuangan-2024.pdf", 12, 15)
for kolom in df.columns:
if kolom not in ("pos", "halaman"):
df[kolom] = df[kolom].map(bersihin_angka)
df.to_csv("hasil-ekstraksi.csv", index=False)
print(df.head())Ganti nama file, range halaman, dan nama kolom sesuai laporanmu. Sisanya jalan apa adanya.
Buat referensi fungsi pandas yang dipakai di sini, dokumentasi resmi pandas.pydata.org selalu jadi rujukan paling akurat.
Buat mayoritas kasus, pdfplumber pilihan pertama yang paling aman. Instalnya cuma satu perintah pip, gak butuh Java atau Ghostscript, dan hasilnya langsung berupa list Python. Kalau tabel di PDF kamu punya garis kotak lengkap, coba Camelot flavor lattice karena deteksi kolomnya lebih rapi di kasus itu.
Biasanya karena PDF-nya gak punya garis tabel, jadi library nebak batas kolom dari jarak antar teks. Coba ganti table_settings ke strategy text dan atur intersection_tolerance. Kalau masih meleset, potong halaman pakai crop biar area yang dibaca cuma bagian tabelnya doang, bukan header dan footer laporan.
Gak bisa langsung. PDF hasil scan isinya gambar, jadi gak ada layer teks yang bisa dibaca pdfplumber. Kamu perlu OCR dulu pakai ocrmypdf atau Tesseract buat nambahin layer teks ke file-nya. Setelah itu baru proses ekstraksinya jalan seperti biasa, walau akurasinya tetap di bawah PDF asli.
Angka di laporan Indonesia pakai titik sebagai pemisah ribuan dan koma buat desimal, kebalikan dari format Python. Hapus semua karakter selain digit, titik, dan koma. Lalu buang titiknya, ganti koma jadi titik, baru konversi ke float. Angka dalam kurung artinya negatif, jadi kasih tanda minus.
Waktu aku tes laporan tahunan 148 halaman di laptop biasa, pdfplumber butuh sekitar 40 detik buat scan semua halaman dan narik 63 tabel. Yang makan waktu justru tahap bersihin dan milih tabel mana yang beneran kamu butuhin. Batasi range halaman biar prosesnya jauh lebih singkat.
Tiga hal yang perlu kamu inget dari sini. Pertama, pdfplumber cukup buat 80 persen kasus laporan keuangan Indonesia. Kedua, angka rupiah wajib dibersihin sebelum dihitung, kalau gak hasilnya salah 1000 kali lipat. Ketiga, selalu cocokin total hasil skrip sama total di PDF aslinya.
Coba mulai dari satu file PDF yang paling sering kamu terima tiap bulan. Tarik satu tabel, bersihin satu kolom, simpan ke CSV. Itu udah cukup buat hemat waktu di siklus berikutnya.
Kalau kamu kerja di Jupyter, beberapa trik di artikel 28 trik Jupyter Notebook bikin proses coba-coba setting tabel jadi jauh lebih cepat.
Punya file PDF yang bandel dan gak mau kebaca? Ceritain strukturnya di kolom komentar, biar kita cari setting yang pas bareng-bareng.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Kolom datetime nyimpen tanggal, jam, hari, semuanya nempel jadi satu. Accessor .dt di pandas ngeluarin tiap bagian jadi kolom sendiri buat dianalisa.
Nama toko ketik campur huruf besar-kecil, spasi nyasar di ujung, atau kode produk nempel jadi satu. Accessor .str di pandas ngerapiin semua itu tanpa loop.
Model machine learning cuma ngerti angka, bukan teks kayak merah atau biru. get_dummies ngubah kolom kategori jadi kolom 0/1 dalam satu baris kode.