pdf是一种便携式文档格式,由Adobe公司设计。因为不受平台限制,且方便保存和传输,所以pdf非常受欢迎。
目前市场上有很多pdf工具,大部分是阅读类,也有支持对pdf的修改、转换等功能,但这部分工具不少是收费的。
这次介绍一个开源python工具库-pdfplumber,可以方便地获取pdf的各种信息,包括文本、表格、图表、尺寸等。
pdfplumber在github上有英文官方文档,后面我们会捡重点讲解,先看下如何用pdfplumber提取pdf表格?
以NBA-常规赛数据作为范例,pdf表格如下:
第一步:使用pdfplumber提取表格文本
#导入pdfplumberimportpdfplumber#读取pdf文件,保存为pdf实例pdf=pdfplumber.open("E:\\nba.pdf")#访问第二页first_page=pdf.pages[1]#自动读取表格信息,返回列表table=first_page.extract_table()table
输出:
第二步:整理成dataframe格式,保存为excel
importpandasaspd#将列表转为dftable_df=pd.DataFrame(table_2[1:],columns=table_2[0])#保存exceltable_df.to_excel(test.xlsx)table_df
输出:
一个小小的脚本,不到十行代码,便将pdf表格提取并转化为dataframe格式,最终保存到excel。
有个初步认知后,接下来详细讲讲pdfplumber的安装、导入、api接口等信息。
pdfplumber简介前面已经介绍过pdfplumber的用途,也用一个小案例展示了如何提取表格,我觉得对于pdfplumber只需要了解三点就可以。
1、它是一个纯python第三方库,适合python3.x版本
2、它用来查看pdf各类信息,能有效提取文本、表格
3、它不支持修改或生成pdf,也不支持对pdf扫描件的处理
Github地址
转载请注明:http://www.feijiquandao.com/hylnr/7753.html