python读取pdf表格_【极简Python自动化办公】Python读取PDF文字和表格

【极简Python 自动化办公】专栏是介绍如何利用python办公，减少工作负荷。篇幅精炼，内容易懂，无论是否有编程基础，都非常适合。

在日常的工作中，处理PDF是最平常不过的事情了。今天带来极简Python自动化办公系列之使用Python提取Pdf文字和表格，希望能够在PDF处理上帮到你。

这次我们准备了一个pdf测试文件，内容如下：

pdf中包括了2页，有文字，图片和表格，覆盖了大部分pdf的场景。

pdfplumber介绍

Pdfplumber是一个可以处理pdf格式信息的库。它可以查找关于每个文本字符、矩阵、和行的详细信息，也可以对表格进行提取并进行可视化调试。

官方repo:

https://github.com/jsvine/pdfplumber

安装：

pip install pdfplumber

使用入门

import pdfplumber

with pdfplumber.open("test.pdf") as pdf:

first_page = pdf.pages[0] #取第一页

print(first_page.chars[0])#打印第一页第一个字文字信息

结果：

{'fontname': 'CRSMRF+PingFangTC-Semibold', 'adv': Decimal('1.000'), 'upright': 1, 'x0': Decimal('57.000'), 'y0': Decimal('751.840'), 'x1': Decimal('81.000'), 'y1': Decimal('779.776'), 'width': Decimal('24.000'), 'height': Decimal('27.936'), 'size': Decimal('27.936'), 'object_type': 'char', 'page_number': 1, 'text': '关', 'top': Decimal('62.224'), 'bottom': Decimal('90.160'), 'doctop': Decimal('62.224')}

格式化之后：

{

"fontname":"CRSMRF+PingFangTC-Semibold",

"adv":"1.000",

"upright":1,

"x0":"57.000",

"y0":"751.840",

"x1":"81.000",

"y1":"779.776",

"width":"24.000",

"height":"27.936",

"size":"27.936",

"object_type":"char",

"page_number":1, #页数

"text":"关", #第一个文字

"top":"62.224",

"bottom":"90.160",

"doctop":"62.224"

}

常用方法extract_text() 用来提页面中的文本，将页面的所有字符对象整理为一个字符串

extract_words() 返回的是所有的单词及其相关信息

extract_tables() 提取页面的表格

提取文字

#!/usr/bin/env python3

import pdfplumber

with pdfplumber.open("test.pdf") as pdf:

first_page = pdf.pages[0]

text = first_page.extract_text() #提取第一页的所有文字

print(text)

关于我们

关于FlyPython

FlyPython是提供⼀站式Python编程学习的组织，我们致⼒于为⽤户提供⾼

效，有趣的学习环境，打造专注于Python的中⽂学习社区。

联系我们

客服&合作: 微信号 flypython

微信公众号：

提取表格

#!/usr/bin/env python3

import pdfplumber

import pandas as pd

with pdfplumber.open("test.pdf") as pdf:

first_page = pdf.pages[0]

text = first_page.extract_text()

print(text)

second_page = pdf.pages[1] #第二页

table = second_page.extract_tables()#在第二页提取表格

for t in table:

df = pd.DataFrame(t[1:],columns=t[0])

print(df)

分类 书名

0 Python入门 Python编程：从入门到\n实践

1 Python中级 流畅的Python

2

3

总结

pdfplumber的接口还是很容易的，如果只是需要提取文字，几行代码就可以提取到。如果是表格并没有提取出来或者错误的提取了非表格的内容，你需要在提取表格时加入table_settings参数来指定表格的设置。

这次的demo中，图片并没有提取出来，pdf图片的提取会放到下一篇文章，敬请期待。

人生苦短，我用python早下班。如果觉得不错，对你工作中有帮助，可以长按下列二维码关注我们的公众号。