pdf文本和表格处理——pdfplumber的安装与简单使用

pdf的文本和表格处理用多种方式可以实现， 本文介绍pdfplumber对文本和表格提取。这个库在GitHub上星300多，不过使用起来很方便， 效果也很好，可以满足对pdf中信息的提取需求。

pdfplumber简介

Pdfplumber是一个可以处理pdf格式信息的库。可以查找关于每个文本字符、矩阵、和行的详细信息，也可以对表格进行提取并进行可视化调试。

pdfplumber安装

安装直接采用pip即可。命令行中输入

pip install pdfplumber

如果要进行可视化的调试，则需要安装ImageMagick。
Pdfplumber GitHub： https://github.com/jsvine/pdfplumber
ImageMagick地址：
http://docs.wand-py.org/en/latest/guide/install.html#install-imagemagick-windows
（官网地址没有6x， 6x地址：https://imagemagick.org/download/binaries/）

（注意：我在装ImageMagick，使用起来是报错了， 网上参照了这里 了解到应该装6x版，7x版会报错。故找了6x的地址如上。）

在使用to_image函数输出图片时，如果报错DelegateException。则安装GhostScript 32位。（注意，一定要下载32位版本，哪怕Windows和python的版本是64位的。）¹
GhostScript: https://www.ghostscript.com/download/gsdnld.html

简单使用

最基本的用法如下，读取pdf中的某一页。

import pdfplumber
with pdfplumber.open("path/to/file.pdf") as pdf:
    first_page = pdf.pages[0]
    print(first_page.chars[0])

pdfplumber.pdf中包含了.metadata和.pages两个属性。
.metadata是一个包含pdf信息的字典。
.pages是一个包含页面信息的列表。

每个pdfplumber.page的类中包含了几个主要的属性。
.page_number 页码
.width 页面宽度
.height 页面高度
.objects/.chars/.lines/.rects 这些属性中每一个都是一个列表，每个列表都包含一个字典，每个字典用于说明页面中的对象信息， 包括直线，字符， 方格等位置信息。

一些常用的方法

.extract_text() 用来提页面中的文本，将页面的所有字符对象整理为的那个字符串
.extract_words() 返回的是所有的单词及其相关信息
.extract_tables() 提取页面的表格
.to_image() 用于可视化调试时，返回PageImage类的一个实例

import pdfplumber
import pandas as pd

with pdfplumber.open("中新科技：2015年年度报告摘要.PDF") as pdf:
    page = pdf.pages[1]   # 第一页的信息
    text = page.extract_text()
    print(text)
    table = page.extract_tables()
    for t in table:
        # 得到的table是嵌套list类型，转化成DataFrame更加方便查看和分析
        df = pd.DataFrame(t[1:], columns=t[0])
        print(df)

显示文本：

显示表格：

Visual Debugging可视化调试

Pdfplumber提供的图形debug功能，能够获取pdf页面中的表格，并对识别的信息用框框起来，并进行调整，以优化识别的情况。

具体可参照GitHub上给出的示例。
在 https://github.com/jsvine/pdfplumber/tree/master/examples

---

1. https://blog.csdn.net/blmoistawinde/article/details/82051915 ↩︎