利用pdfplumber提取pdf文档内容 |
您所在的位置：网站首页 › 可以提取文字的pdf › 利用pdfplumber提取pdf文档内容 |
利用pdfplumber提取pdf文档内容
|
介绍
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。这里介绍一个开源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安装以及导入 首先pdfplumber安装导入：和其他库一样，pdfplumber支持使用pip安装 pip install pdfplumber pdfplumber安装完成后，用import导入使用 import pdfplumber 利用.extract_tables( )可以输出pdf中的表格 pdfplumber简单使用pdfplumber中有两个基础类，PDF和Page。前者用来处理整个文档，后者用来处理整个页面 pdfplumber.PDF类： .metadata: 获取pdf基础信息，返回字典.pages 一个包含pdfplumber.Page实例的列表，每一个实例代表pdf每一页的信息。 pdfplumber.Page类:pdfplumber核心功能，对PDF的大部分操作都是基于这个类，包括提取文本、表格、尺寸等 读取PDF import pdfplumber import pandas as pd with pdfplumber.open("1.pdf") as pdf: 读取PDF文档信息 with pdfplumber.open("1.pdf") as pdf: print(pdf.metadata)输出： {‘Author’: ‘作者’, ‘CreationDate’: “(D:20180730130816+08’00’)”, ‘Creator’: ‘创建者’, ‘Keywords’: ‘关键字’, ‘ModDate’: “(D:20180730130816+08’00’)”, ‘Producer’: ‘生产者’, ‘Subject’: ‘科目’, ‘Title’: ‘标题’} 利用metadata可以获得PDF的基本信息，作者，日期，来源等基本信息。 3. 总页数 len(pdf.pages) 读取第一页的宽度，页高等信息 # 第一页pdfplumber.Page实例 first_page = pdf.pages[0] # 查看页码 print('页码：', first_page.page_number) # 查看页宽 print('页宽：', first_page.width) # 查看页高 print('页高：', first_page.height) 读取文本 import pdfplumber import pandas as pd with pdfplumber.open("1.pdf") as pdf: # print(pdf.metadata) # print(len(pdf.pages)) # 第一页pdfplumber.Page实例 first_page = pdf.pages[0] text = first_page.extract_text(); print(text)输出： 政府数据治理的国际经验与启示 夏义堃 (武汉大学信息资源研究中心,武汉,430072) [摘 要] 政府数据治理是当前政府信息管理研究的热点问题,对发达国家政府数据治理经验的 总结有助于把握政府数据治理的普遍规律,推动我国政府数据的开发利用。 借助大量的文献调研 与案例分析,本文对政府数据治理的战略框架、内容体系以及生态环境等核心要素进行了深入而 全面的国际比较,系统分析了代表性国家政府数据治理实践所采取的普遍做法,进而为我国政府 数据治理实践提供启示和借鉴。 [关键词] 政府数据治理 数据开放 数据开发利用 数据安全 数据资产管理 [中图分类号] G203;D630 [文献标识码] A [文章编号] 2095-2171(2018)03-0064-09 DOI:10.13365/j.jirm.2018.03.064 InternationalExperiencesandImplicationsonGovernmentDataGovernance XiaYikun (CenterforStudiesofInformationResourcesofWuhanUniversity,Wuhan,430072) [Abstract] Governmentdatagovernanceisahotissueintheresearchofgovernmentinformationmanagement. Asummaryaboutexperiencesongovernmentdatagovernancefromdevelopedcountrieswillhelpustopromotethe processofgovernmentdataexploitation.Basedonalargenumberofliteraturereviewandcasestudies,thispaper takesaninternationalcomprehensiveandin-depthcomparisononthestrategicframework,contentsystemandeco- logicalenvironmentofgovernmentdatagovernance,systemicallyanalyzingitsuniversalpractice.Then,itprovides somereferencestothedevelopmentofChinesegovernmentdatagovernance. [Keywords] Governmentdatagovernance; Opendata; Dataexploitation; Datasecurity; Dataasset management 政府数据治理是政府治理和政府信息管 还是中观层面的数据法规制度,乃至微观层面 理的重要组成部分,“是综合运用数据管理法 的数据实践,都充分体现了政府数据治理理念 律制度、人员组织、技术方法以及流程标准等 和数据治理的行为典范,具有普遍借鉴意义。 手段,对政府结构化数据和非结构化数据的可 1 强化政府数据治理的顶层设计 用性、完整性、安全性等进行全面管理,以确保 数字化时代政府数据量的急剧扩张与技 政府数据资产的保值增值。”[1]随着大数据战 术手段的快速更新,亟待在宏观层面实现思维 略和开放政府数据战略的全球推进,特别是对 观念从“数据管理”向“数据作为战略资产”的 数据资产价值认识的不断深化,各国纷纷出台 一系列政策举措来推进政府数据的开发利用。 转变,并需要最高决策层对政府数据治理的战 虽然并没有系统性地提出政府数据治理的概 略目标、战略重点、主攻方向以及工作机制、推 念体系,但无论是宏观层面的数据战略意识, 进方式等进行整体设计,以确定数据治理工作 [作者简介] 夏义堃,博士,研究员,副院长,研究方向为政府信息资源管理、电子政务,Email:[email protected]。 读取表格 import pdfplumber import pandas as pd with pdfplumber.open("1.pdf") as pdf: page_third = pdf.pages[2] table_2 = page_third.extract_table() # print(table_2) table_df = pd.DataFrame(table_2[1:], columns=table_2[0]) print(table_df) # 保存excel table_df.to_excel('test.xlsx')pdfplumber提取表格需要处理很多细节，此处表格线框比较规范，所以可以简单提取，对于线条不完全的表格，则效果差的多。 表格参数设置
|
【本文地址】
今日新闻 |
推荐新闻 |