Python pdf转csv

背景

最近有需求需要解析电子行程单（滴滴、美团、高德等）的数据，由于电子行程但都是PDF的文件，为此需要解析PDF，由于PHP对解析pdf方面较弱，所以选用了Python。过程是现将pdf转为csv，然后解析csv文件的数据。

依赖的环境

Python 3.7.6 
Java 1.8.0_121（tabula-py 是对 tabula-java 的封装，所以需要依赖 Java）
nignx 由于这边用到flask框架，该框架无法使用80端口，为了防止端口暴露，所以需要使用nginx做转发，该框架和转发后续文章讲解

依赖的主要python包

flask==1.1.1 用到的框架
pdfminer.six==20200124  解析PDF的包

pdfminer

由于后面会单独讲flask，在此主要说一下pdfminer

1. 安装
   pip install pdfminer.six
2. 实现

from pdfminer.high_level import extract_text
from pdfminer.pdfparser import PDFSyntaxError

def _parse(file_path, line_count=0):
    """解析滴滴出行的行程单，表头行需要特别清洗"""
    area = [266, 42.765625, 785.028125, 564.134375]
    if line_count != 0:
        area[2] = 3120.003125 + 31.2375 * line_count
    dfs = tabula.read_pdf(file_path, pages="all", area=area)
    num = len(dfs)
    save_data = []
    save_data.append(dfs[0])
    if num == 0:
        logging.error("no table found")
    elif 1 < num:
        for i in range(1, num):
            area = [175, 42.765625, 785.028125, 564.134375]
            area[2] = 3120.003125 + 31.2375 * line_count
            dfs = tabula.read_pdf(file_path, pages=i + 1, area=didi_area)
            save_data.append(dfs[0])
    # 滴滴的表头行有一些多余的换行符，导致导出的 CSV 破损
    for i in range(0, num):
        save_data[i].columns = [name.replace('\r', ' ') for name in save_data[i].columns]
    return save_data

上面是一个简单的读取文件内容的功能，支持多页读取，
area：控制读取内容的位置，由于第二页的数据位置和第一页不同，所以需要重新读取

然后将数据写入CSV

# data 读取的PDF数据
# output_path csv保存的路径
def _output_csv(data, output_path):
    """利用 DataFrame 自身的 API，导出到 CSV 格式"""
    # 增加 BOM 头，否则不能双击Excel 直接打开CSV
    with open(output_path, mode='wb') as output:
        output.write(BOM_UTF8)

    with open(output_path, mode='a', newline='') as output:
        for i in range(0, len(data)):
            data[i].to_csv(output, index=False)

以上就生成了CSV文件，后面就是通过取CSV文件数据就可以了。

项目地址: pdf2csv.