如何利用Python提取pdf中的表格数据(附实战案例)
艾派森 人气:0前言
今天给大家介绍一个Python使用工具,那就是从pdf文件中读取表格数据,主要用到第三方库 pdfplumber。
pdfplumber简介
pdfplumber是一款基于pdfminer,完全由python开发的pdf文档解析库,不仅可以获取每个字符、矩形框、线等对象的具体信息,而且还可以抽取文本和表格。目前pdfplumber仅支持可编辑的pdf文档。
虽然pdfminer也可以对可编辑的pdf文档进行解析,但是比较而言,pdfplumber有以下优势:
- 二者都可以获取到每个字符、矩形框、线等对象的具体信息,但是pdfplumber在pdfminer的基础上进行了封装和处理,使得到的对象更易于使用,对用户更友好。
- 二者都能对文本解析,但是pdfminer输出的文本在布局上可能与原文差别比较大,但是pdfplumber抽取出的文本与原文可以有更高的一致性。
- pdfplumber实现了表格抽取逻辑,基于最基本的字符、线框等对象的位置信息,定位、识别pdf文档中的表格。
首先安装
pip install pdfplumber
实战案例
本次实战,我们需要将pdf中的获奖队伍信息提取出来,然后保存到excel表格中。
原始pdf文件中大多数都是如上图所示的表格,这里为了不泄露个人隐私,我就先打上码了哈。
接着开始敲代码提取表格数据!
import pandas as pd import pdfplumber pdf = pdfplumber.open("第十届“正大杯”国奖名单.pdf") df = pd.DataFrame() for i in range(3,53): # 这里3是指表格信息是从第4页开始的(程序计数是从0开始,所以这里第4页对应程序中的3),53是结束位置 page = pdf.pages[i] # 读取pdf中的每一页 table = page.extract_table() # 从页数据中提取表格数据 df = df.append(table) # 将提取的数据转换为DataFrame二维表格形式 df.drop_duplicates(inplace=True) # 删除重复值 df.to_excel("第十届“正大杯”国奖名单.xlsx", header=False, index=False) # 将提取的数据保存为excel
这里,我先是用了循环来提取多页,3是指表格信息是从第4页开始的(程序计数是从0开始,所以这里第4页对应程序中的3),53是结束位置 。
运行之后的结果如下:
很简单就将pdf中的表格提取出来了。
做到这里,我只是将一个pdf中的数据提取出来了,可是还有几个类似的pdf需要提取,于是我将上述代码功能进行了简单的封装(功能还比较简陋,各位可根据自己的需要进行扩展)。
def pdf_to_excel(file_path,start:int,end:int,excel_name=None): ''' params: file_path:需要提取表格的pdf文件的绝对路径 start:出现表格的起始页码 end:表格结束页码 excel_name:最后保存excel文件的文件名(默认为原始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,希望对有同样需求的你有所帮助!
加载全部内容