提取PDF文件中的表格数据是一个很常见的需求,为此我们经常付费,其实实现起来比较容易
这里使用camelot提取数据
import camelot
tables = camelot.read_pdf(pdf_filepath, pages='1-end')
for item in tables:
df = item.df
# item.to_csv('test.csv')
# item.to_excel('test.xlsx')
- pages使用’1-end’就可以读取pdf文件所有页
- 这里将每个表格数据转换为pandas DataFrame(df)
- 也可以直接导出CSV,Excel文件:to_csv,to_excel
但现实中我们的需求往往更复杂
实例需求:多个pdf文件,每个pdf可能有多页,要求提取指定列的所有数据,并去重,最终导出excel文件
import camelot
import glob
import openpyxl
# 导出excel