python刪除pdf中的表格,python刪除pdf指定頁面

本文目錄一覽：

• 1、Python利器：如何處理PDF表格數據
• 2、哪位大神知道如何用Python中的docx模塊刪除docx文檔中的表格？
• 3、python刪除打不開的pdf
• 4、Python解析PDF表格——PDFPlumber vs Camelot
• 5、Python 哪個庫可以刪除Excel表格的某行或某列

Python利器：如何處理PDF表格數據

大家好，我是Peter~

在很多情況下，我們都需要處理PDF格式的文件。尤其當我們遇到PDF表格數據需要進行提取，真的是一個令人頭疼的問題。

因為PDF文件不能像Word那樣直接複製，即使複製了再黏貼也可能會出現格式排版錯亂甚至亂碼問題。如何從一個PDF文件提取出表格數據？本文提供兩個解決方案：

首先提供的一種方法是從文字 PDF 中提取表格信息的工具：Camelot，它能夠直接將大部分表格轉換為 Pandas 的 Dataframe。

更多的詳細信息，請參考項目地址：

camelot的安裝有多種方式。如果有報錯，網上一般有解決方式：

1、通過conda安裝

2、使用pip進行安裝

3、通過GitHub進行安裝

首先將項目複製到本地：

然後進入文件中進行安裝：

下面通過一個案例來講解如何使用camelot。假設我們現在有一個只有一頁的PDF文件test.pdf：

1、先讀取文件

導出成csv格式的數據（方式1）

查看tables的相關信息：

導出方式2：

將數據轉換成DataFrame：

tabula的功能比camelot更加強大，可以同時對多個表格數據進行提取。項目的具體地址請參考：

tabula的安裝是非常簡單的：

安裝之後檢驗這個庫是否安裝成功：

通過tabula這個庫來讀取PDF文件：

然後我們發現列表中唯一的一個元素就是dataframe：

將讀取到的數據輸出成CSV格式的文件：

上面讀取的PDF文件是比較簡單的，只有一頁，而且剛好是一個很標準的表格形式的數據，下面看一個比較複雜的例子：

下面是第一頁，第一列可以看成是索引：

在第二頁中有兩份表格，而且中間有很多的空白行：

第三頁的數據比較標準：

這3頁是在同一個PDF文件中，這3頁是在同一個PDF文件中，這3頁是在同一個PDF文件中

上面的紅色提示中我們看到：當沒有指定pages參數的時候，只會默認讀取第一頁的數據，所以列表的長度為1。

轉成dataframe後將原來的索引變成新的一列 （部分數據）

通過pages來讀取全部數據：

通過指定pages=”all”：

同時獲取兩個表格的數據：

通過area參數來指定：

刪除在讀取的表格中我們不需要的字段信息

可以將得到的數據輸出成不同格式的文件，以json格式為例：

我們可以看到

哪位大神知道如何用Python中的docx模塊刪除docx文檔中的表格？

可以使用docx模塊。

from docx import Document # 導入庫”””word表格中”””

path = “C:\\Users\\1\\Desktop\\測試.docx” # 文件路徑

document = Document(path) # 讀入文件

tables = document.tables # 獲取文件中的表格集

刪掉指定的那一個表格即可

希望我的回答對你有幫助~

python刪除打不開的pdf

python刪除打不開的pdf可以用以下方法：

1、python內要對pdf文件進行操作的話，一般都是使用PyPDF2這個第三方模塊，而刪除pdf頁面則需要先將這個文件對象實例化到python中並且創建一個數據寫入工具才可以來保存pdf文件。

2、使用for循環去迭代這個reader對象，這個reader對象還要調用getNumPages()方法，此方法的作用就是獲取到這個pdf文件的頁數，在循環之中創建一個空文檔並且將獲取到pdf頁給寫入。

Python解析PDF表格——PDFPlumber vs Camelot

題圖來自 Camelot: List o’ 10 Intriguing Mythical Places

為獲取LEED認證項目的評分表明細，可以從USGBC的項目頁面上爬取，或者從pdf格式的項目評分表中解析得到。以 重慶某LEED EM:OB v2009 Gold項目 為例，USGBC上公布的 LEED項目得分表 其格式並不統一，利用XPath爬取後需要進一步清洗處理。相對而言，LEED項目所對應的 項目評分表PDF文件 的數據更為規範完整。因此考慮嘗試解析出PDF文件中的表格，以便後續分析。

Python 處理PDF文件的程序包，pdfminer、tabula、pdfplumber、camelot……查詢資料表明，似乎普遍認為pdfminer的效果不怎麼好，而tabula需要java支持 ，想偷懶於是只試了pdfplumber和camelot。

安裝過程不贅述，直接來看運行結果。

pdfplumber無法直接解析出Scorecard.pdf文件中的表格，但實際上要解決此問題也並非難事。調整下思路，可先解析出pdf文件中的文本，讓後通過分列來得到表格。

利用pdfplumber的extract_text()命令可解析出pdf文件中的文本，但由於本次需要解析的得分表pdf文件的排版的原因，左右兩個表格的文本行並未完全對齊，因此如果直接解析完整頁面上的文本的話，文字會出錯。先用corp()命令指定識別範圍，然後再extract_text()，識別得到的文本列表如下所示。

對於類似本例中Scorecard.pdf表格排版有錯位的情況，也可以按照表格在頁面中所處的位置，指定表格識別的範圍。所用到的指令：camelot.plot()可以繪製出頁面的略圖，table_area參數可以指定表格識別的範圍。

又及，Camelot原來是亞瑟王和圓桌騎士們的宮殿所在地，和Asgard的Valhalla一樣，也是傳說中的聖域。搜索camelot程序安裝包時無意中學到的，漲知識了。

[1] Python：解析PDF文本及表格——pdfminer、tabula、pdfplumber 的用法及對比

[2] 用Python提取pdf文件中的表格數據

[3] python讀取pdf文件

[4] Github: pdfplumber

[5] Camelot: PDF Table Extraction for Humans

[6] ImageMagick Installation

[7] ImageMagick之PDF轉換成圖片（image）

[8] LEED 2009 for Existing Buildings: Operations Maintenance

[9] Camelot – Wikipedia

[10] List o’ 10 Intriguing Mythical Places

[11] Camelot識別pdf表格時的參數設置補充

Python 哪個庫可以刪除Excel表格的某行或某列

openpyxl 2.5以上版本可以刪除Excel表格的某行或某列。

示例代碼：

from openpyxl import *。

filename = ‘test.xlsx’。

wb = wb = load_workbook(filename)。

ws = wb.active。

ws.delete_rows(2,2) #刪除index為2後面的2行。

擴展資料：

Python在執行時，首先會將.py文件中的源代碼編譯成Python的byte code（字節碼），然後再由Python Virtual Machine（Python虛擬機）來執行這些編譯好的byte code。

這種機制的基本思想跟Java，.NET是一致的。然而，Python Virtual Machine與Java或.NET的Virtual Machine不同的是，Python的Virtual Machine是一種更高級的Virtual Machine。

參考資料來源：百度百科-Python