本文介绍了如何使用python的pdfplumber库来解析PDF文档中的文本和表格。首先，详细阐述了在Win10+python3.6环境下安装pdfplumber及其依赖，包括遇到的问题和解决方法。接着，提到了pdfplumber库的基本用法，特别是用于提取PDF页面上的文本和表格。最后，提到该库具备图形展示功能，通过示例jupyter notebook展示了更多高级用法。
我们接触到的很多文档资料都是以pdf格式存在的，比如：论文，技术文档，标准文件，书籍等。pdf格式使得用机器从中提取信息格外困难。
为了解决这个问题，我找到了几种解决方案，最后选择了python上的pdfplumber库，安装和使用都相对比较方便，效果也还不错，所以下面介绍这个库的安装与使用。
安装
我的电脑配置环境： Win10+python3.6
和许多库一样，其基本安装只需要pip就可以了。
pip install pdfplumber
不过本库还提供了图形Debug功能，可以获得PDF页面的截图，并且用方框框起识别到的文字或表格，帮助判断PDF的识别情况，并且进行配置的调整。【具体例子在后面附上。】
要使用这个功能，还需要安装ImageMagick （特别注意，是6.X版本而不是最新的7.X版本。下载地址如下：https://legacy.imagemagick.org/script/binary-releases.php#windows ）
按照官网的指示，理论上安装了这个就可以了，不过，我在使用to_image函数输出图片时，遇到了DelegateException。后来发现，还需要安装另一个软件才能够解决问题。
GhostScript:
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
