python学习笔记之读取pdf文件库pdfplumber（一）

python现在处理word、Excel、pdf等文档有很多的库，今天学习一个处理pdf的库：pdfplumber，主要学习提取文本内容和表格。

安装

pip install pdfplumber

提取文本 extract_text()

import pdfplumber
# 打开一PDF文档，比如打开《浪潮之巅》
pdf = pdfplumber.open('浪潮之巅.pdf')
# 提取第一页的本文内容
text = pdf.pages[0].extract_text()
print(text)

 如下输出，左边是我们的代码输出，右边是PDF的第一页内容，提取的text整体是一个字符串；

 

 提取文本 extract_words()

提取文本还提供了另一个方法

text = pdf.pages[0].extract_words()
print(text)

其输出如下，提取出各部分的页面位置信息整体放在一个list中；

提取表格 extract_table()  和  extract_tables() 

我们换另外一个有表格的PDF文档来尝试一下，文档第一页内容如下（文档若侵权，请联系删除）：

pdf_table = pdfplumber.open('M2021011300001742_1.pdf')
print(pdf_table.pages[0].extract_table())

结果发现只提取页面中的最后一个表格内容信息，输出如下：

 所以我们再试一试extract_tables()

 此时发现便可以把所有的表格信息都提取出来，这便是两个方法的区别。