手把手教你用Python提取PDF中的表格

您所在的位置：网站首页 › 将pdf中的表格导出word › 手把手教你用Python提取PDF中的表格

手把手教你用Python提取PDF中的表格

2024-07-10 00:08| 来源: 网络整理| 查看: 265

前言

pdfplumber 是一个开源的 python 工具库，它可以轻松的获取 PDF 文本内容、标题、表格、尺寸等各种信息，今天来介绍如何使用它来提取 PDF 中的表格。

安装

首先通过下面命令安装 pdfplumber 模块。

pip install pdfplumber

或是使用豆瓣镜像源安装。

pip install -i https://pypi.douban.com/simple pdfplumber 案例

这里有一份2020年中国大学生计算机设计大赛参赛作品获奖名单，文件为 PDF 格式，每页都包含表格，表格中包含为各支队伍的获奖信息，共158页。表格前两页内容如下。

下面将 PDF 中的表格提取出来，并保存到 Excel 中。

首先导入所需要的模块：

import pdfplumber import pandas as pd

读取 PDF 文件

read_path = '2020年中国大学生计算机设计大赛参赛作品获奖名单.pdf' pdf_2020 = pdfplumber.open(read_path)

pages 属性包含 PDF 中每页的信息，循环每页内容，使用 extract_table() 方法提取每页中的表格数据，并将数据转为 DataFrame，最后合并每页的数据。

result_df = pd.DataFrame() for page in pdf_2020.pages: table = page.extract_table() df_detail = pd.DataFrame(table[1:], columns=table[0]) # 合并每页的数据集 result_df = pd.concat([df_detail, result_df], ignore_index=True)

此时DataFrame中数据如下：

可以看到通过 extract_table() 提取后的数据有许多包含缺失值的列，我们还需要对DataFrame进行进一步处理，删除全为缺失值的列。

result_df.dropna(axis=1, how='all', inplace=True)

删了缺失值后，列名也一并删除了，还需要指定对应列名。

result_df.columns = ['奖项', '作品编号', '作品名称', '参赛学校', '作者', '指导老师']

到现在我们就成功将表格信息完整的提取出来了！

完整代码 import pdfplumber import pandas as pd def read_pdf(read_path, save_path): pdf_2020 = pdfplumber.open(read_path) result_df = pd.DataFrame() for page in pdf_2020.pages: table = page.extract_table() print(table) df_detail = pd.DataFrame(table[1:], columns=table[0]) result_df = pd.concat([df_detail, result_df], ignore_index=True) result_df.dropna(axis=1, how='all', inplace=True) result_df.columns = ['奖项', '作品编号', '作品名称', '参赛学校', '作者', '指导老师'] result_df.to_excel(excel_writer=save_path, index=False, encoding='utf-8') read_path = r'2020年中国大学生计算机设计大赛参赛作品获奖名单.pdf' save_path = r'2020年中国大学生计算机设计大赛参赛作品获奖名单.xlsx' read_pdf(read_path, save_path)

目前python前景最好，学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。下面有一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。