提取数据_python pdf文件提取表格数据

pdf文件提取表格数据，写入excel或csv文件

昨天试了pdftoHtml、pdfMiner都不是特别理想，要么就是执行太慢，要么就是提取表格数据散乱，不好处理；pdfplumber使用了一下，提取出的都是空数据，最后采用tabula.

安装 pip install tabula

tabula方便的一点时，提取出的数据不需要转化处理，可以直接使用它，他提取的数据就是一个dataFrame列表数据，可直接使用pandas处理，或直接存入excel或csv.

效果代码如下：

# -*- conding: utf-8 -*-import osimport tabulapath1 = r'D:\TFtest\zfb'fileList = os.listdir(path1)for file in fileList:    if not file.endswith('.pdf'):  # 剔除非pdf文件        continue    file = os.path.join(path1, file)    tableList = tabula.read_pdf(file, encoding='utf-8', pages='all')    if len(tableList) < 2:  # 转化结果小于两个表        continue    print(tableList)    第一个表 = tableList[0]    第二个表 = tableList[1].fillna('')    第二个表['支出'] = 第二个表['支出'].str.replace('-', '0')    第二个表['收入'] = 第二个表['收入'].str.replace('-', '0')    第二个表.to_excel(file.replace('pdf', 'xlsx'), index=False)    第二个表.to_csv(file.replace('pdf', 'csv'), sep='|', index=False)

数据处理结果：