python读取pdf表格_Python 解析 PDF 表格？

需要

该公司的PDF年报包含了各种表，这些表需要在一些特定字幕下解析，称为数据结构。

解决方案

通过查看别人写的博客，我们发现在Python中通常有四种PDF解析：

Pdfminer善于分析文字，这种小白尝试，是把桌子变成普通的文字，而且经常伴随着一些莫名其妙的奇怪的未知符号。这个解决方案已经过时了。

例如，PDF2HTML将PDF解析成HTML，但是HTML标签不是规则的，解析一个是可以的，但是这个白板是许多PDF文档下的字幕表，这个方案直接通过。

Tabula，这是我老一辈写得最广泛的博客。我已经用过了。对于单元格中没有新行的简单表，表的头和尾并不复杂，该方案值得推荐。计算机需要一个Java环境。

PDF管道工，这是一个解决方案，已经发现了一个知识渊博的老板，发现人数最少，但最符合我的需要，在安装成功后。前提是你需要安装IMAGEMGEK。

实现解决方案

我已经使用了两种解决方案来解决我的需求，即TabLA和PDFPUBUBER。

先做前期工作。

1。将PDF文件转换为JPG格式，搜索关键字，查看所需表的页码，如图中的风险管理评分表。

代码如下：（有婴儿的百度AIP密钥！

将PDF分解成JPG。

从PDF2IMAGE导入RealtToFixPATH，转换为字节

导入风暴文件

导入PDF2图像

DEF PDF2图像（IyPATH，OYPATH）：

TimeFrime.TimeAudio目录（）作为路径：

IsIsFixFixPosie= EngtFixFixPATH（IyPATH，OutpUpHealths= OYPATH，FMT＝JPG）

IyPATH＝'/用户/高华/桌面/ 33

OYPATH＝‘用户/高华/桌面/ 33’

PDF2图像（IyPATH，OYPATH）

重命名文档重命名

导入操作系统

路径=’/用户/高华/桌面/ 33’

DEF ReNeMIX文件（路径）：

OSListdir（PATH）中的文件：

Os.rename（OS.PATION联接（路径，文件），OS.PATION联接（路径，文件[-5：]））

ReNaMIX文件（路径）

使用百度OCR识别

来自AIP进口公司

DEBUIDUAIP（AppyID，ApIIKIKE，CONTYTYKEY KEY）：

客户端= AIPOCR（AppHyID，ApIIKEY，CONTYTYKEY）

返回（客户端）

AppyID=’116599 28’

APIKYKEY＝OGKG6BurcGnktfoAjjg7RT

分泌蛋白键=

客户端= BIDU-AIP（AppHyID，ApIIKEY，CONTYTYKEY）

DEFGETFILE内容（路径）：

打开（路径，“RB”）作为FP:

返回FP-读（）

DF FunthPad（路径，KEY-ION字）：

OS.Listdir（PATH）中的文件〔1：- 1〕：

结果= clie.Basic通用（GETXFILE内容（OS.PATION连接（路径，文件）））

对于结果项[ [词]结果] ]：

打印输出（项目[单词] ]

如果项目中的键入单词[单词' ]：

返回（文件条（'.jpg））

上面安装的模块不应该是个问题。如果有任何问题，你可以留言。

调用函数的输出如下

关键词=“风险管理状态”

Page＝FunthPage（路径，KEY字）

打印（页）

会输出相应的页码（无耻地看着婴儿的Juyter看起来好吗？）

当我们得到页码，我们可以做任何我们想做的事。

第一种是第一种方法：Tabula。

具体操作方法如下：

进口制表

将PDF读入数据文件

DF= TabulaRead PdF（'/Cuff/Gooa/桌面/ 33 PDF′，Page＝STR（页面））

df

这直接返回一个数据帧，因此它是直接结构化数据。

输出如下：

这样，我们已经完成了我们的需要。下面的段落中关于Excel的下面的话被更多地谈论了。可以移动熊猫或PyWi32。

虽然TabRA非常方便，但是它的输出确实是不方便的，而且还需要安装Java环境，Java环境变量做宝宝肾不足。

有时我会输出一些杂乱的东西，例如，有时我会输出传统的中文，我也遇到了。

所以保险。

这里还有第二个解决方案：

同样，这两个解决方案是PDFPUBUBER。

进口PDFP

PDF＝PDFUntual.OPEN（‘用户/高华/桌面/ 33 PDF’）

P0= PDF.Page（int（页）- 1”α]注意，这里的页面是从0开始的列表。

表＝P0.Excel表（）

进口熊猫为PD

DF= PD.DATAFRAM（表[1：]，列=表[0）]

df

输出如下：

虽然为了便于比较，这里使用相同的表，但是解决方案2确实比解决方案1更好。

不要问我为什么我知道2比1好，你尝试用文本格式解析一些表，用复数头来分析表，你知道的！我在这里不是胡说八道，我必须安装Java，后者只安装一个IMAGE，IMAGEMGEKE非常有用，嘻嘻嘻嘻。

总结

百度OCR接口的总和使用，百度AIP这个东西！这是一个人的宝库！你可以自己看。

还有一个PDF格式的分析软件包。

但仍存在一些弊端。两个解决方案都是针对具有完整水平和垂直线的智能表，如下面的一个。

方案1的识别输出是心脏过剩，肾脏不足，输出无效。

方案2的输出是一个半九十一步的过程，输出是一个不太像样的表，需要手动调整。

怎么快速学python，有什么方法，打算深入了解这个行业的朋友，可以加python学习群：399288541，邀请码：（云曦）不管你是小白还是大牛，小编我都欢迎，不定期分享干货，包括小编自己整理的一份2018最新的python资料和0基础入门教程，欢迎初学和进阶中的小伙伴。 每天晚上20:00我都会开直播给大家分享python知识和路线方法，群里会不定期更新最新的教程和学习方法，大家都是学习python的，或是转行，或是大学生，还有工作中想提升自己能力的python党，如果你是正在学习python的小伙伴可以加入学习。最后祝所有程序员都能够走上人生巅峰，让代码将梦想照进现实，非常适合新手学习，有不懂的问题可以随时问我，工作不忙的时候希望可以给大家解惑。