每天一个小实例——使用pdfplumber提取pdf表格及文本，并保存到excel

pdfplumber简介

（1）可以方便地获取pdf的各种信息，包括文本、表格、图表、尺寸等，它不支持修改或生成pdf，也不支持对pdf扫描件的处理

（2）pdfplumber中有两个基础类，PDF和Page。前者用来处理整个文档，后者用来处理整个页面

实操步骤：

（1） 使用pdfplumber提取表格文本

①使用 pdfplumber.open("path/to/file.pdf") 读取pdf，返回一个pdfplumber.PDF类实例

PS.加载带密码的pdf需要传入参数password，例如：pdfplumber.open("file.pdf", password = "test")

②pdfplumber.PDF类介绍

Ⅰ.metadata属性：从PDF的Info中获取元数据键 /值对字典。 通常包括“ CreationDate”，“ ModDate”，“ Producer”等。

Ⅱ.pages属性：一个包含多个pdfplumber.Page实例的列表，每一个实例代表PDF每一页的信息。

Ⅲ.len(pdf.pages)——读取页数；first_page=pdf.pages[0]——选取页码

③pdfplumber.Page类介绍

Ⅰ.page_number属性：页码顺序，从第一页的1开始，第二页为2，依此类推

Ⅱ.width属性/.height属性：页面宽度/宽度

Ⅲ.extract_text(x_tolerance=0, y_tolerance=0)方法：将页面的所有字符对象整理到一个字符串中。

• 若其中一个字符的x1与下一个字符的x0之差大于x_tolerance，则添加空格。
• 若其中一个字符的doctop与下一个字符的doctop之差大于y_tolerance，则添加换行符。

 Ⅳ.extract_tables(table_settings) 方法：从页面中提取表格数据

• .find_tables(table_settings={})：返回Table对象的列表。Table对象提供对.cells，.rows和.bbox属性以及.extract(x_tolerance = 3, y_tolerance = 3)方法的访问。
• .extract_tables(table_settings={})：返回从页面上找到的所有表中提取的文本，并以结构table -> row -> cell的形式表示为列表列表的列表。
• .extract_table(table_settings={})：返回从页面上最大的表中提取的文本，以列表列表的形式显示，结构为row -> cell。 （如果多个表具有相同的大小——以单元格的数量来衡量——此方法将返回最接近页面顶部的表
• .debug_tablefinder(table_settings={})：返回TableFinder类的实例，可以访问.edges，.intersections，.cells和.tables属性

输出：

 

（2）整理成dataframe格式，保存为excel 

输出：