python读取pdf文档环境搭建

python读取pdf文档，有好几种方式，测试了pdfminer，本方法的问题在于，读取时候貌似按照位置读取，一旦文档里面的内容稍微调整，所读取的内容就会出问题，因为我这次要读取的是pdf里面的表格，用pdfminer的方式，读取的格式很乱，试了两天找不到规律，果断放弃了；另外一种是用tabula读取，这个是按行读取的，读取的时候如果一个表格里面分为好几行，一行表格里面几个单元格的内容如果不对齐，哪怕是有小的上下波动都会被读取到不同的行里面，这个后续还需要做一些调整才能将pdf还原到表格文件中。对于tabula方式，下面描述一下具体安装过程。

1、下载pip，这个是用来安装tabula用的，这个包在官网可以下载。https://pypi.org/project/pip/#files

2、下载后解压，并通过cmd定位到解压的文件夹下面，里面有个setup.py文件，然后输入命令：python setup.py install进行安装，装完以后可以通过命令行输入pip --version或pip list来查看是否安装成功。

 

3、下载tabula，这个可以到官网下载https://github.com/chezou/tabula-py，下载压zip缩包：

 

4、解压到文件下，然后cmd到该目录下，运行：pip install tabula-py进行安装，安装动画还是挺好看的。

 

5、装完之后可以运行一个小程序测试一下。

#-*- conding: utf-8 -*-

​import tabula

df = tabula.read_pdf("E:\\test\\extract\\2017gq\\a53277ce525547088780c4b94accb7b5.pdf", encoding='gbk', pages='all')

​print(df)

​for indexs in df.index:

​print(df.loc[indexs].values[1].strip())

运行结果如下​