详解Python如何利用pdfplumber提取PDF中的表格
作者:程序媛小本
pdfplumber 是一个开源的 python 工具库 ,它可以轻松的获取 PDF 文本内容、标题、表格、尺寸等各种信息,今天来介绍如何使用它来提取 PDF 中的表格,文中通过代码和图片讲解的非常详细,需要的朋友可以参考下
前言
pdfplumber
是一个开源的 python
工具库 ,它可以轻松的获取 PDF
文本内容、标题、表格、尺寸等各种信息,今天来介绍如何使用它来提取 PDF
中的表格。
安装
首先通过下面命令安装 pdfplumber
模块。
pip install pdfplumber
或是使用豆瓣镜像源安装。
pip install -i https://pypi.douban.com/simple pdfplumber
案例
这里有一份2020年中国大学生计算机设计大赛参赛作品获奖名单,文件为 PDF
格式,每页都包含表格,表格中包含为各支队伍的获奖信息,共158页。表格前两页内容如下。
下面将 PDF
中的表格提取出来,并保存到 Excel
中。
首先导入所需要的模块:
import pdfplumber import pandas as pd
读取 PDF
文件
read_path = '2020年中国大学生计算机设计大赛参赛作品获奖名单.pdf' pdf_2020 = pdfplumber.open(read_path)
pages
属性包含 PDF
中每页的信息,循环每页内容,使用 extract_table()
方法提取每页中的表格数据,并将数据转为 DataFrame
,最后合并每页的数据。
result_df = pd.DataFrame() for page in pdf_2020.pages: table = page.extract_table() df_detail = pd.DataFrame(table[1:], columns=table[0]) # 合并每页的数据集 result_df = pd.concat([df_detail, result_df], ignore_index=True)
此时DataFrame中数据如下:
可以看到通过 extract_table()
提取后的数据有许多包含缺失值的列,我们还需要对DataFrame进行进一步处理,删除全为缺失值的列。
result_df.dropna(axis=1, how='all', inplace=True)
删了缺失值后,列名也一并删除了,还需要指定对应列名。
result_df.columns = ['奖项', '作品编号', '作品名称', '参赛学校', '作者', '指导老师']
到现在我们就成功将表格信息完整的提取出来了!
完整代码
import pdfplumber import pandas as pd def read_pdf(read_path, save_path): pdf_2020 = pdfplumber.open(read_path) result_df = pd.DataFrame() for page in pdf_2020.pages: table = page.extract_table() print(table) df_detail = pd.DataFrame(table[1:], columns=table[0]) result_df = pd.concat([df_detail, result_df], ignore_index=True) result_df.dropna(axis=1, how='all', inplace=True) result_df.columns = ['奖项', '作品编号', '作品名称', '参赛学校', '作者', '指导老师'] result_df.to_excel(excel_writer=save_path, index=False, encoding='utf-8') read_path = r'2020年中国大学生计算机设计大赛参赛作品获奖名单.pdf' save_path = r'2020年中国大学生计算机设计大赛参赛作品获奖名单.xlsx' read_pdf(read_path, save_path)
到此这篇关于详解Python如何利用pdfplumber提取PDF中的表格的文章就介绍到这了,更多相关Python pdfplumber提取PDF表格内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!