前言
pdfplumber
是一个开源的 python
工具库 ,它可以轻松的获取 PDF
文本内容、标题、表格、尺寸等各种信息,今天来介绍如何使用它来提取 PDF
中的表格。
安装
首先通过下面命令安装 pdfplumber
模块。
pip install pdfplumber
或是使用豆瓣镜像源安装。
pip install -i https://pypi.douban.com/simple pdfplumber
案例
这里有一份2020年中国大学生计算机设计大赛参赛作品获奖名单,文件为 PDF
格式,每页都包含表格,表格中包含为各支队伍的获奖信息,共158页。表格前两页内容如下。
下面将 PDF
中的表格提取出来,并保存到 Excel
中。
首先导入所需要的模块:
import pdfplumber
import pandas as pd
读取 PDF
文件
read_path = '2020年中国大学生计算机设计大赛参赛作品获奖名单.pdf'
pdf_2020 = pdfplumber.open(read_path)
pages
属性包含 PDF
中每页的信息,循环每页内容,使用 extract_table()
方法提取每页中的表格数据,并将数据转为 DataFrame
,最后合并每页的数据。
result_df = pd.DataFrame()
for page in pdf_2020.pages:
table = page.extract_table()
df_detail = pd.DataFrame(table[1:], columns=table[0])
# 合并每页的数据集
result_df = pd.concat([df_detail, result_df], ignore_index=True)
此时DataFrame中数据如下:
可以看到通过 extract_table()
提取后的数据有许多包含缺失值的列,我们还需要对DataFrame进行进一步处理,删除全为缺失值的列。
result_df.dropna(axis=1, how='all', inplace=True)
删了缺失值后,列名也一并删除了,还需要指定对应列名。
result_df.columns = ['奖项', '作品编号', '作品名称', '参赛学校', '作者', '指导老师']
到现在我们就成功将表格信息完整的提取出来了!
完整代码
import pdfplumber
import pandas as pd
def read_pdf(read_path, save_path):
pdf_2020 = pdfplumber.open(read_path)
result_df = pd.DataFrame()
for page in pdf_2020.pages:
table = page.extract_table()
print(table)
df_detail = pd.DataFrame(table[1:], columns=table[0])
result_df = pd.concat([df_detail, result_df], ignore_index=True)
result_df.dropna(axis=1, how='all', inplace=True)
result_df.columns = ['奖项', '作品编号', '作品名称', '参赛学校', '作者', '指导老师']
result_df.to_excel(excel_writer=save_path, index=False, encoding='utf-8')
read_path = r'2020年中国大学生计算机设计大赛参赛作品获奖名单.pdf'
save_path = r'2020年中国大学生计算机设计大赛参赛作品获奖名单.xlsx'
read_pdf(read_path, save_path)
目前python前景最好,学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划。下面有一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
三、全套PDF电子书
书籍的好处就在于权威和体系健全,刚开始学习的时候你可以只看视频或者听某个人讲课,但等你学完之后,你觉得你掌握了,这时候建议还是得去看一下书籍,看权威技术书籍也是每个程序员必经之路。
四、入门学习视频
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
五、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
这份完整版的Python全套学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】。