python简介pdf_pdf相关模块介绍与安装 Python提取PDF文字

pdf相关模块简介与安装

pypdf2模块

它可以读取、写入、分割、合并PDF文件，需要单独安装，不包含在Python标准模块里，官网：https://pythonhosted.org/PyPDF2/

pdfplumber模块

它可以更好地读取PDF文件内容，可以提取PDF中的表格，也是需要单独安装，不包含在Python标准模块里，官网：https://github.com/jsvine/pdfplumber/

发挥你的想象力！节约你的时间！有好多PDF要合并到同一个PDF里？从一堆财报中找到关键的呢些数据？批量加密PDF？把某些页面旋转一下？批量添加水印？……

直接使用pip命令安装PyPDF2和pdfplumber即可，鳄鱼君这里直接在pycharm的setting里面安装的，应该不会出现问题!

pdfplumber提取文字

利用pdfplumber提取文字，使用pdfplumber.open(PDF路径)打开PDF文件，pdf.pages[页数]获取页数，page.extract_text()获取文本内容

import pdfplumber

with pdfplumber.open('1.pdf') as pdf:

for page in pdf.pages:

print(page.extract_text())

# first_page=pdf.pages[0]

# print(first_page.extract_text())

pdfplumber提取表格

提取简单的表格

import pdfplumber

with pdfplumber.open('1.pdf') as pdf:

table_page=pdf.pages[0]

table=table_page.extract_table()

print(table)

提取多个简单表格

import pdfplumber

with pdfplumber.open('1.pdf') as pdf:

table_page=pdf.pages[0]

for table in table_page.extract_tables():

print(table)

extract_tables()方法接收table_settings参数，该参数是一个字典，可以规定表格的信息，可以查看官方文档，这里不详细介绍！

{

"vertical_strategy": "lines",

"horizontal_strategy": "lines",

"explicit_vertical_lines": [],

"explicit_horizontal_lines": [],

"snap_tolerance": 3,

"join_tolerance": 3,

"edge_min_length": 3,

"min_words_vertical": 3,

"min_words_horizontal": 1,

"keep_blank_chars": False,

"text_tolerance": 3,

"text_x_tolerance": None,

"text_y_tolerance": None,

"intersection_tolerance": 3,

"intersection_x_tolerance": None,

"intersection_y_tolerance": None,

}

PDF写入Excel表格

将pdf中提取到的table写入到Excel表格中

from openpyxl import Workbook

workbook=Workbook()

sheet=workbook.active

for row in table:

sheet.append(row)

workbook.save(filename='./new_book.xlsx')

对于不规整的PD表格，在提取的过程可能会出现空行和单词切分的问题，这里需要进行判断。对于空行，需要判断，非空行的才写入Excel表格，将列表中每个元素都连成一个字符串，如果还是一个空字符串那么就肯定是空行：

new_table=[]

for row in table:

if not ''.join([str(item) for item in row]) =='':

sheet.append(row)

合并单词，这里假设Excel表格中的前3列表示PDF中的1列数据，需要将Excel中的前3列合并：

new_row=[]

ner_row.append(''.join([str(item) if item else '' for item in row[:3]]))

new_row=row[3:]

new_table.append(new_row)

将前3列非None的内容合并为一个字符串，然后再添加到列表中。行内条件判断，就是一行代码完成条件判断：

x=5

y=x*2 if x<10 else 20

print(y)

如果x小于10，y值为x*2，否则y值为20，就这么理解！

未经允许不得转载：作者:鳄鱼君，

转载或复制请以 超链接形式 并注明出处 鳄鱼君。

原文地址：《pdf相关模块介绍与安装 Python提取PDF文字》 发布于2020-05-17