将名为“普通高等学校本科专业目录.pdf”的pdf文件转换成csv文件

本文链接：https://blog.csdn.net/Waldocsdn/article/details/131660931

文章目录

任务描述
2023年普通高等学校本科专业目录pdf链接
代码
代码解析
运行截图

任务描述

将名为“普通高等学校本科专业目录.pdf”的pdf文件转换成csv文件。这个pdf每页是个表格，表格有7列。

下面是pdf的第一页和第二页：
在这里插入图片描述

在这里插入图片描述

2023年普通高等学校本科专业目录pdf链接

链接: https://pan.baidu.com/s/14acDd_L7AtXgKyq_LAV5Rg?pwd=hmne 提取码: hmne

代码

可以使用 Python 的几个库来做到这一点。以下是一个示例代码，该代码使用了pdfplumber来读取PDF文件，并使用pandas来保存数据到csv文件。

注意：此代码假设pdf文件中的表格能够通过线条明确辨识，并且此方法可能不会对所有pdf文件有效，因为pdf的构造和内容可能会对解析产生影响。

import pdfplumber
import pandas as pd

def convert_pdf_to_csv(pdf_file):
    # 打开pdf文件
    with pdfplumber.open(pdf_file) as pdf:
        # 初始化一个空的DataFrame用于存储所有页的数据
        df_all = pd.DataFrame()

        # 遍历每一页
        for page in pdf.pages:
            # 提取表格数据
            tables = page.extract_tables()
            for table in tables:
                # 将表格数据转化为DataFrame
                df = pd.DataFrame(table[1:], columns=table[0])
                df_all = pd.concat([df_all, df])

        # 保存为csv文件
        df_all.to_csv(pdf_file.replace('.pdf', '.csv'), index=False)

# 使用函数
convert_pdf_to_csv("普通高等学校本科专业目录.pdf")

以上代码将遍历PDF中的每一页，并从每页中提取表格数据。这些数据将被合并并保存到一个CSV文件中。最后的CSV文件名将与输入的PDF文件名相同，只是扩展名变为了".csv"。

代码解析

这段代码是在Python环境下运行的首先，它需要导入两个库：pdfplumber和pandas。

import pdfplumber: pdfplumber 是一个Python库，用于提取PDF中的文本、表格和元数据。
import pandas as pd: pandas 是一个Python数据分析库，这里主要用它来创建和操作DataFrame（一个二维标签化的数据结构），并将DataFrame保存为csv文件。

然后，定义了一个名为convert_pdf_to_csv的函数，该函数接受一个参数pdf_file，代表要转换的PDF文件名。

with pdfplumber.open(pdf_file) as pdf: 使用pdfplumber的open函数打开PDF文件。with语句用于包裹文件操作的上下文，确保文件在操作完毕后被正确关闭。
df_all = pd.DataFrame(): 初始化一个空的DataFrame，用于存储从每一页PDF中提取出来的表格数据。
for page in pdf.pages: 遍历PDF的每一页。
tables = page.extract_tables(): 使用pdfplumber的extract_tables函数从每一页中提取表格数据，这会返回一个列表，每个元素代表一页中的一个表格，表格本身也是一个列表，其中包含行数据。
for table in tables: 对于每个提取出来的表格。
df = pd.DataFrame(table[1:], columns=table[0]): 将表格数据转换为DataFrame。这里假设表格的第一行是列名，所以我们用table[0]作为列名，剩余的table[1:]作为数据。
df_all = pd.concat([df_all, df]): 将当前页的DataFrame（df）与总的DataFrame（df_all）合并。
df_all.to_csv(pdf_file.replace('.pdf', '.csv'), index=False): 将最后的DataFrame保存为csv文件。文件名通过将原PDF文件名的’.pdf’部分替换为’.csv’得到。参数index=False表示在保存csv时不包括索引。