python抽取pdf中内容

这两天一直在windows上做用python（版本是3.6）抽取pdf中内容的东西，主要就是从pdf中提取出里面的字体和表格内容。尝试了好些个库，现在算是找到比较符合我需求（比较好用）的pdf解析的了。在这个过程中，用了以下几个库：

1. PDFminer

   1. PDFminer算是一个还算不错的吧，安装直接用pip安装就行。如下：

      pip install pdfminer3k

      它这个对pdf中内容做了好些个对象，用这些对象来存储不同的信息，比如表格有LTFigure对象存储、文本有LTTextBoxHorizontal对象来存储。对于文本的提取，基本上都是通过画框提取的，所以提取出的text都是一行一行返回的。这样的后果就是说不清明明是一句话，却被分成两行或三行显示。比如我现在做的，对行、句子比较敏感，不能将所有的行连在一起，所以在提取出结果后，还需要对结果进行处理，以达到我们的目的。

   2. 看它说明应该是可以提取出里面表格的，但无论在哪也没找到他这个表格要怎么操作，怎么把里面内容拿出来，所以就没有用它，转而去寻找其它的工具。

2. tabula

   1. 在网上看大伙对这个都还挺推崇的，是专门用来提取pdf中表格的一个工具库。安装的话，也是直接使用pip即可，如下：

      pip install tabula-py

      因为它是依赖于java的，所以要是电脑上没有java环境的话，需要配置一下，将java的所在的安装目录加到环境变量PATH中。

   2. 但是，怎么说呢，不知道我使用的有问题还是怎么样，表格中几个格合并成的单元格读取的时候，会出问题。

3. pdfplumber

   1. 这个是我现在用的，个人觉得还是比较好用的。对于pdf中文本的抽取，原理还有效果跟PDFminer差不多。对于某一页中文本读取的话，直接调用pdfplumber.extract_text()就可以了。对于表格的话，也是直接调用extract_tables()就可以找到该页中所有的表格中的内容，并且可以直接转换成padas中DataFrame的形式，就我现在测试的来看，结果基本没有差错。表格提取中也可以自己设置一些参数什么的，比如设置表格的分割线是什么类型什么的，很是方便。表格提取的问题跟文本的相似，要是一个表格在两页或更多页的话，他会把这一个表格读成多个，所以需要我们在得到结果后，在对结果处理，把表格连接起来。

   2. 安装的话，相比起来稍微麻烦点，需要先安装两个软件：ImageMagic和Ghstscript。

      1. ImageMagic可以从下载链接下载，16位的更精确些，但消耗的计算机资源也相对大一些，8位的差一些，可以自己选择，但是一定要下载的是6.X的版本。

      2. Ghostscript可以从下载链接下载，无论自己电脑是32还是64位的，都下载安装32位的

      3. 上面两个安装结束后，就可以直接通过pip安装pdfplumber了。

         pip install pdfplumber