Python 提取 PDF 中的表格数据

---

1、环境说明

操作系统 ： Winodws

语言 ： Python 3.8.5

IDE ： PyCharm 2019.3.5 (Professional Edition)

框架 1 ： pdfplumber 0.5.28 官网

框架 2 ： camelot 0.8.2 官网

说明 ： 这两个框架近期还算活跃，很多框架都1年以上没有活跃，就不考虑了。
PS ： PyCharm 在 Windows 操作系统下，使用虚拟环境 安装依赖包，可能会报错，可以尝试 参考，通过安装后缀名为 .whl 的文件，实现离线安装。

---

PS : 测试用的 pdf 文档 下载地址。

2、pdfplumber

代码

import pandas as pd
import pdfplumber

pdf = pdfplumber.open("D:\\Cache\\foo.pdf")
page = pdf.pages[0]
table = page.extract_table()
df = pd.DataFrame(table)
df.to_excel("D:\\Cache\\foo.xlsx", header=False, index=False)

测试结果

优缺点分析

优点：
1、因为这个框架，不是专门设计用来提取 表格数据，所以可以通过 text 对数据进行搜索，根据关键字只提取目标数据；
2、准确率高；（暂时没发现有数据错误提取的情况）
缺点：
1、表格 title 复杂，导致提取结果提取不全；（title 一般没那么重要，大多数情况下可以忍受）
2、提取数据导出到 Excel 或者 CSV 需要使用 pandas 框架，学习成本更高一点,不过也还可以接受；

3、camelot

代码

import camelot

# read the pdf file
tables = camelot.read_pdf('D:\\Cache\\foo.pdf', pages='1-end')

# json, excel, html, sqlite
tables.export('D:\\Cache\\foo.xlsx', f='excel')

测试结果

PS ： 测试过程中，发现会出现数据错误提取的情况。因为涉及用户数据，没办法截图提供。

优缺点分析

优点：
1、直接导出到 Excle 或者 CSV 中，无需引入其他框架，编程简单；
2、导出数据 Excel 排版漂亮，根据页码 + 表格编号创建 sheet；
缺点：
1、没办法对数据进行搜索，只能根据页码进行数据提取；
2、存在错误读取数据的情况；（根据数据提取结果，酌情考虑框架的选择）

---

4、总结

两个框架各有优缺点。
情况一 : pdf 文档中所有表格全部提取，并且表格比较简单，提取过程中不会出错的情况下， camelot 绝对是最优选。
情况二 : 只提取固定的表格数据，推荐使用 pdfplumber 。