快捷導(dǎo)航

如何利用Python提取pdf中的表格數(shù)據(jù)(附實(shí)戰(zhàn)案例)

更新時(shí)間：2022年11月10日 09:09:16 作者：艾派森

從PDF表格中獲取數(shù)據(jù)是一項(xiàng)痛苦的工作,下面這篇文章主要給大家介紹了關(guān)于如何利用Python提取pdf中的表格數(shù)據(jù)的相關(guān)資料,文中通過(guò)實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下

前言

今天給大家介紹一個(gè)Python使用工具，那就是從pdf文件中讀取表格數(shù)據(jù)，主要用到第三方庫(kù) pdfplumber。

pdfplumber簡(jiǎn)介

pdfplumber是一款基于pdfminer，完全由python開(kāi)發(fā)的pdf文檔解析庫(kù)，不僅可以獲取每個(gè)字符、矩形框、線等對(duì)象的具體信息，而且還可以抽取文本和表格。目前pdfplumber僅支持可編輯的pdf文檔。

雖然pdfminer也可以對(duì)可編輯的pdf文檔進(jìn)行解析，但是比較而言，pdfplumber有以下優(yōu)勢(shì)：

二者都可以獲取到每個(gè)字符、矩形框、線等對(duì)象的具體信息，但是pdfplumber在pdfminer的基礎(chǔ)上進(jìn)行了封裝和處理，使得到的對(duì)象更易于使用，對(duì)用戶更友好。
二者都能對(duì)文本解析，但是pdfminer輸出的文本在布局上可能與原文差別比較大，但是pdfplumber抽取出的文本與原文可以有更高的一致性。
pdfplumber實(shí)現(xiàn)了表格抽取邏輯，基于最基本的字符、線框等對(duì)象的位置信息，定位、識(shí)別pdf文檔中的表格。

首先安裝

pip install pdfplumber

實(shí)戰(zhàn)案例

本次實(shí)戰(zhàn)，我們需要將pdf中的獲獎(jiǎng)隊(duì)伍信息提取出來(lái)，然后保存到excel表格中。

?原始pdf文件中大多數(shù)都是如上圖所示的表格，這里為了不泄露個(gè)人隱私，我就先打上碼了哈。

接著開(kāi)始敲代碼提取表格數(shù)據(jù)！

import pandas as pd
import pdfplumber
 
pdf = pdfplumber.open("第十屆“正大杯”國(guó)獎(jiǎng)名單.pdf")
df = pd.DataFrame()
for i in range(3,53):  # 這里3是指表格信息是從第4頁(yè)開(kāi)始的(程序計(jì)數(shù)是從0開(kāi)始,所以這里第4頁(yè)對(duì)應(yīng)程序中的3)，53是結(jié)束位置
    page = pdf.pages[i]  # 讀取pdf中的每一頁(yè)
    table = page.extract_table()  # 從頁(yè)數(shù)據(jù)中提取表格數(shù)據(jù)
    df = df.append(table)  # 將提取的數(shù)據(jù)轉(zhuǎn)換為DataFrame二維表格形式
df.drop_duplicates(inplace=True)   # 刪除重復(fù)值
df.to_excel("第十屆“正大杯”國(guó)獎(jiǎng)名單.xlsx", header=False, index=False)  # 將提取的數(shù)據(jù)保存為excel

這里，我先是用了循環(huán)來(lái)提取多頁(yè)，3是指表格信息是從第4頁(yè)開(kāi)始的(程序計(jì)數(shù)是從0開(kāi)始,所以這里第4頁(yè)對(duì)應(yīng)程序中的3)，53是結(jié)束位置。

運(yùn)行之后的結(jié)果如下：

?很簡(jiǎn)單就將pdf中的表格提取出來(lái)了。

做到這里，我只是將一個(gè)pdf中的數(shù)據(jù)提取出來(lái)了，可是還有幾個(gè)類(lèi)似的pdf需要提取，于是我將上述代碼功能進(jìn)行了簡(jiǎn)單的封裝（功能還比較簡(jiǎn)陋，各位可根據(jù)自己的需要進(jìn)行擴(kuò)展）。

def pdf_to_excel(file_path,start:int,end:int,excel_name=None):
    '''
    params:
        file_path：需要提取表格的pdf文件的絕對(duì)路徑
        start：出現(xiàn)表格的起始頁(yè)碼
        end：表格結(jié)束頁(yè)碼
        excel_name：最后保存excel文件的文件名(默認(rèn)為原始pdf文件名)
    '''
    pdf = pdfplumber.open(file_path)
    if not excel_name:
        excel_name = file_path.split('\\')[-1].split('.')[0]
    df_result = pd.DataFrame()
    for i in range(start-1,end):
        page = pdf.pages[i]
        table = page.extract_table()
        df_result = df_result.append(table)
    df_result = df_result.drop_duplicates(inplace=True)
    df_result.to_excel(excel_name+'.xlsx',index=False)
 
pdf_to_excel(file_path=r'C:xxx.pdf',start=4,end=53)

以上就是本次分享的python小工具，希望對(duì)有同樣需求的你有所幫助！

到此這篇關(guān)于如何利用Python提取pdf中的表格數(shù)據(jù)的文章就介紹到這了,更多相關(guān)Python提取pdf表格數(shù)據(jù)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: