python pdfplumber库pdf转换excel
python与数据分析 人气:0需求
想要提取 pdf 的数据,保存到 excel 中。虽然是可以直接利用 WPS 将 pdf 文件输出成 excel,但这个功能是收费的,而且如果将大量pdf转excel的时候,手动去输出是非常耗时的。我们可以利用 python 的三方工具库 pdfplumber 快速完成这个功能。
一、实现效果图
二、pdfplumber 库
pdfplumber 是一个开源 python 工具库-,可以方便地获取 pdf 的各种信息,包括文本、表格、图表、尺寸等。完成我们本文的需求,主要使用 pdfplumber 提取 pdf 表格数据。
安装命令
pip install pdfplumber
三、代码实现
1、导入相关包
import pdfplumber import pandas as pd
2、读取 pdf , 并获取 pdf 的页数
pdf = pdfplumber.open("/Users/wangwangyuqing/Desktop/1.pdf") pages = pdf.pages
3、提取单个 pdf 文件,保存成 excel
if len(pages) > 1: tables = [] for each in pages: table = each.extract_table() tables.extend(table) else: tables = each.extract_table() data = pd.DataFrame(tables[1:], columns=tables[0]) data data.to_excel("/Users/wangwangyuqing/Desktop/1.xlsx", index=False)
4、提取文件夹下多个 pdf 文件,保存成 excel
import os import glob path = r'/Users/wangwangyuqing/Desktop/pdf文件' for f in glob.glob(os.path.join(path, "*.pdf")): res = save_pdf_to_excel(f) print(res) def save_pdf_to_excel(path): # print('文件名为:',path.split('/')[-1].split('.')[0] + '.xlsx') pdf = pdfplumber.open(path) pages = pdf.pages if len(pages) > 1: tables = [] for each in pages: table = each.extract_table() tables.extend(table) else: tables = each.extract_table() data = pd.DataFrame(tables[1:], columns=tables[0]) file_name = path.split('/')[-1].split('.')[0] + '.xlsx' data.to_excel("/Users/wangwangyuqing/Desktop/data/{}".format(file_name), index=False) return '保存成功!'
小结
python 中还有很多库可以处理 pdf,比如 PyPDF2、pdfminer 等,本文选择pdfplumber 的原因在于能轻松访问有关 PDF 的所有详细信息,包括作者、来源、日期等,并且用于提取文本和表格的方法灵活可定制。大家可以根据手头数据需求,再去解锁 pdfplumber 的更多用法。
加载全部内容