活动地址:CSDN21天学习挑战赛
学习的最大理由是想摆脱平庸,早一天就多一份人生的精彩;迟一天就多一天平庸的困扰。
学习日记
目录
一、前言介绍
PDF是一种编写文档格式,便于跨操作系统传播文档。Python的开源库 pdfplumber,可以较为方便地获取pdf的各种信息,包含pdf的基本信息(作者、创建时间、修改时间…)及表格、文本、图片等信息,基本可以满足较为简单的格式转换功能。
二、关于pdfplumber模块
1、pdfplumber的特点
1、可以轻松访问有关每个PDF对象的详细信息。
2、可以提取文本和表格的更高级别,可以自定义的方法。
3、支持紧密集成的可视化调试。
4、有通过裁剪框过滤对象等实用功能。
pdfplumber
中有两个基础类,PDF和Page。PDF用来处理整个文档,Page用来处理整个页面。
2、pdfplumber.PDF类
.metadata: 获取pdf基础信息,返回字典
.pages 一个包含pdfplumber.Page实例的列表,每一个实例代表pdf每一页的信息。
3、pdfplumber.Page类
pdfplumber核心功能,对PDF的大部分操作都是基于这个类,包括提取文本、表格、尺寸等。
4、pdfplumber的安装
win+r-cmd输入
pip install pdfplumber
三、pdfplumber的使用
1、
加载PDF
调用
pdfplumber.open(x)
加载PDF, 其中x
可以有以下几种格式:a、PDF文件路径。
b、文件对象, 以字节流形式加载。
c、类文件对象, 以字节流形式加载。
读取 PDF代码:pdfplumber.open("路径/文件名.pdf",password="test",laparams={"line_overlap":0.7})
解读:
passworf:加载受密码保护的PDF要传递password关键字参数。
laparams:将布局分析参数设置为pdfminer.six的布局引擎,传递laparams关键字参数。
传入
password
参数用于加载已加密的PDF文件。例:
pdfplumber.open("file.pdf", password = "test")
.传入
laparams
参数可以使用pdfminer.six
的布局引擎用于布局分析。例:pdfplumber.open("file.pdf", laparams = { "line_overlap": 0.7 })
.
2、pdfplumber.PDF
类
pdfplumber.PDF
类代表一个PDF文件,主要有两个属性。
3、pdfplumber.Page
类
pdfplumber.Page
是pdfplumber
核心,大部分的操作都是围绕此类进行。
4、读取PDF
import pdfplumber import pandas as pd with pdfplumber.open("1.pdf") as pdf:
5、读取PDF文档信息
with pdfplumber.open("1.pdf") as pdf: print(pdf.metadata)
6、查看总页数
len(pdf.pages)
7、读取第一页的宽度,页高等信息
first_page = pdf.pages[0] # 查看页码 print('页码:', first_page.page_number) # 查看页宽 print('页宽:', first_page.width) # 查看页高 print('页高:', first_page.height)
8、读取文本
import pdfplumber import pandas as pd with pdfplumber.open("exm.pdf") as pdf: # print(pdf.metadata) # print(len(pdf.pages)) # 第一页pdfplumber.Page实例 first_page = pdf.pages[0] text = first_page.extract_text(); print(text)
9、读取表格
import pdfplumber import pandas as pd with pdfplumber.open("exm.pdf") as pdf: page_third = pdf.pages[2] table_2 = page_third.extract_table() # print(table_2) table_df = pdf.DataFrame(table_2[1:], columns=table_2[0]) print(table_df) # 保存excel table_df.to_excel('test.xlsx')
四、实操
1、获取pdf基础信息
#读取pdf文件,并输出pdf文件的基础信息
import pdfplumber
# 打开pdf文件,有密码加入password参数
pdf_info =pdfplumber.open(exm.pdf')
meta_data = pdf_info.metadata # pdf的基础信息
page_con = len(pdf_info.pages) # 获取pdf的总页数
print('pdf文件的基础信息:\n', meta_data)
print('pdf共%s页' % page_con)
2、pdfplumber提取表格数据
提取表格数据主要用到extract_tables()和extract_table()两种方法,这两种提取方式各有不同。
extract_tables()方法——输出文档所有表格,返回一个嵌套列表。
#extract_tables()法
with pdfplumber.open(r'exm.pdf') as pdf_info: # 打开pdf
page_one = pdf_info.pages[0]
page_one_table =page_one.extract_tables() # 获取pdf第一页的所有表格数据
for row in page_one_table:
print('第一页的表格数据:', row)
extact_table()方法——不会返回文档的所有表格,仅返回行数最多的表格数据。如存在多个行数相等的表格,则默认输出顶部表格数据。表格的每一行都为一个单独的列表,列表中的元素即为原表格的各个单元格的数据。
# extract_table()法
with pdfplumber.open(r'exm.pdf') as pdf_info: # 打开pdf
page_one = pdf_info.pages[0]
page_one_table = page_one.extract_table()
for row in page_one_table:
print(row)
3、完整实例
#提取pdf表格数据并保存到excel中
import pdfplumber
from openpyxl import Workbook
class PDF(object):
def __init__(self, file_path):
self.pdf_path = file_path
# 读取pdf
try:
self.pdf_info = pdfplumber.open(self.pdf_path)
print('读取文件完成!')
except Exception as e:
print('读取文件失败:', e)
# 打印pdf的基本信息、返回字典,作者、创建时间、修改时间/总页数
def get_pdf(self):
pdf_info = self.pdf_info.metadata
pdf_page = len(self.pdf_info.pages)
print('pdf共%s页' % pdf_page)
print("pdf文件基本信息:\n", pdf_info)
self.close_pdf()
# 提取表格数据,并保存到excel中
def get_table(self):
wb = Workbook() # 实例化一个工作簿对象
ws = wb.active # 获取第一个sheet
con = 0
try:
# 获取每一页的表格中的文字,返回table、row、cell格式:[[[row1],[row2]]]
for page in self.pdf_info.pages:
for table in page.extract_tables():
for row in table:
# 对每个单元格的字符进行简单清洗处理
row_list = [cell.replace('\n', ' ') if cell else '' for cell in row]
ws.append(row_list) # 写入数据
con += 1
print('---------------分割线,第%s页---------------' % con)
except Exception as e:
print('报错:', e)
finally:
wb.save('\\'.join(self.pdf_path.split('\\')[:-1]) + '\pdf_excel.xlsx')
print('写入完成!')
self.close_pdf()
# 关闭文件
def close_pdf(self):
self.pdf_info.close()
if __name__ == "__main__":
file_path = input('请输入pdf文件路径:')
pdf_info = PDF(file_path)
# pdf_info.get_pdf() # 打印pdf基础信息
# 提取pdf表格数据并保存到excel中,文件保存到跟pdf同一文件路径下
pdf_info.get_table()