本文目录一览：
用python批量提取pdf的表格数据，保存为excel
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。
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。
Python利器：如何处理PDF表格数据
大家好，我是Peter~
在很多情况下，我们都需要处理PDF格式的文件。尤其当我们遇到PDF表格数据需要进行提取，真的是一个令人头疼的问题。
因为PDF文件不能像Word那样直接复制，即使复制了再黏贴也可能会出现格式排版错乱甚至乱码问题。如何从一个PDF文件提取出表格数据？本文提供两个解决方案：
首先提供的一种方法是从文字 PDF 中提取表格信息的工具：Camelot，它能够直接将大部分表格转换为 Pandas 的 Dataframe。
更多的详细信息，请参考项目地址：
camelot的安装有多种方式。如果有报错，网上一般有解决方式：
1、通过conda安装
2、使用pip进行安装
3、通过GitHub进行安装
首先将项目复制到本地：
然后进入文件中进行安装：
下面通过一个案例来讲解如何使用camelot。假设我们现在有一个只有一页的PDF文件test.pdf：
1、先读取文件
导出成csv格式的数据（方式1）
查看tables的相关信息：
导出方式2：
将数据转换成DataFrame：
tabula的功能比camelot更加强大，可以同时对多个表格数据进行提取。项目的具体地址请参考：
tabula的安装是非常简单的：
安装之后检验这个库是否安装成功：
通过tabula这个库来读取PDF文件：
然后我们发现列表中唯一的一个元素就是dataframe：
将读取到的数据输出成CSV格式的文件：
上面读取的PDF文件是比较简单的，只有一页，而且刚好是一个很标准的表格形式的数据，下面看一个比较复杂的例子：
下面是第一页，第一列可以看成是索引：
在第二页中有两份表格，而且中间有很多的空白行：
第三页的数据比较标准：
这3页是在同一个PDF文件中，这3页是在同一个PDF文件中，这3页是在同一个PDF文件中
上面的红色提示中我们看到：当没有指定pages参数的时候，只会默认读取第一页的数据，所以列表的长度为1。
转成dataframe后将原来的索引变成新的一列 （部分数据）
通过pages来读取全部数据：
通过指定pages=”all”：
同时获取两个表格的数据：
通过area参数来指定：
删除在读取的表格中我们不需要的字段信息
可以将得到的数据输出成不同格式的文件，以json格式为例：
我们可以看到
python怎样读取pdf文件的内容
1、首先要下载一个处理pdf的组件pdfminer，百度搜索去官网下载
2、下载完成解压以后，打开cmd进入用命令安装。python setup.py install 进行安装
3、我们来测试一下是否安装成功了，引入这个模块，运行一下代码，没有报错就说明安装成功了
4、官网有文档也有代码示例
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice
fp = open(‘mypdf.pdf’, ‘rb’)
#创建一个PDF文档解析器对象
parser = PDFParser(fp)
#创建一个PDF文档对象存储文档结构
#提供密码初始化，没有就不用传该参数
document = PDFDocument(parser, password)
#检查文件是否允许文本提取
if not document.is_extractable:
raise PDFTextExtractionNotAllowed
#创建一个PDF资源管理器对象来存储共享资源
rsrcmgr = PDFResourceManager()
#创建一个pdf设备对象
device = PDFDevice(rsrcmgr)
#创建一个PDF解析器对象
interpreter = PDFPageInterpreter(rsrcmgr, device)
#处理文档当中的每个页面
for page in PDFPage.create_pages(document):
interpreter.process_page(page)
5、我新建一个pdf，新输入一些内容
6、运行一下代码即可
有没有好一点的读取pdf的python包
最近在做一些数据分析的任务，很多都是pdf文件，试过pdfminer，pypdf2。pdfminer可以较好地读出里面的文字内容，但是一旦碰到类似于表格的排版，就会分块按列来读，导致解析出来的结果排班很乱。比如下面图片中的内容
解析出来是：
教育背景
2011.09-2015.06
重庆大学
工作经历
软件工程
而我预期的是：
教育背景
2011.09-2015.06 重庆大学 软件工程
工作经历
pypdf2效果更一般，很多中文字和符号都不能识别。Textract，Tika我也试过，都不行。请问大家有没有更好的python PDF包呢？或者是我的处理方式不对？我的代码如下：
from pdfminer.pdfinterp import PDFResourceManager, process_pdf
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from io import StringIO
from io import open
from subprocess import call
def readPDF(pdfFile):
rsrcmgr = PDFResourceManager()
retstr = StringIO()
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, laparams=laparams)
process_pdf(rsrcmgr, device, pdfFile, check_extractable=True)
device.close()
content = retstr.getvalue()
retstr.close()
return content
你可以试一下在线pdf装换试试效果
效果好的话用再 selenium 来处理
在用其他包转你需要的
我觉得你的那个包不好用是不是因为没有那种字体啊？
原创文章，作者：IUHJA，如若转载，请注明出处：https://www.506064.com/n/316900.html
微信扫一扫 
支付宝扫一扫 