文章目录
- 前言
- 一、pdfplumber模块
- 1.1 pdfplumber的特点
- 1.2 pdfplumber.PDF类
- 1.3pdfplumber.Page类
- 二 pdfplumber的使用
- 2.1 加载PDF
- 2.2 pdfplumber.PDF 类
- 2.3 pdfplumber.Page 类
- 2.4 读取PDF
- 2.5 读取PDF文档信息
- 2.6 查看总页数
- 2.7 查看总页数读取第一页的宽度，页高等信息
- 2.8 读取文本
- 2.9 读取表格
- 3.1 pdfplumber提取表格数据
- 示例
- 读取文字
- 读取表格
前言
PDF是一种编写文档格式，便于跨操作系统传播文档。Python的开源库 pdfplumber，可以较为方便地获取pdf的各种信息，包含pdf的基本信息（作者、创建时间、修改时间…）及表格、文本、图片等信息，基本可以满足较为简单的格式转换功能。
一、pdfplumber模块
1.1 pdfplumber的特点
- 1、可以轻松访问有关每个PDF对象的详细信息。
- 2、可以提取文本和表格的更高级别，可以自定义的方法。
- 3、支持紧密集成的可视化调试。
- 4、有通过裁剪框过滤对象等实用功能。
pdfplumber中有两个基础类，PDF和Page。PDF用来处理整个文档，Page用来处理整个页面。
1.2 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。
1.3pdfplumber.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。
二 pdfplumber的使用
2.1 加载PDF
调用pdfplumber.open(x)加载PDF, 其中x可以有以下几种格式:
a、PDF文件路径。
b、文件对象, 以字节流形式加载。
c、类文件对象, 以字节流形式加载。
读取 PDF代码：pdfplumber.open("路径/文件名.pdf",password="test",laparams={"line_overlap":0.7})
解读：
passworf:加载受密码保护的PDF要传递password关键字参数。
laparams：将布局分析参数设置为pdfminer.six的布局引擎，传递laparams关键字参数。
2.2 pdfplumber.PDF 类
pdfplumber.PDF 类代表一个PDF文件,主要有两个属性。
| 属性 | 说明 |
|---|---|
| .metadata | 元数据键值对字典,摘自PDF的“信息”。通常包括“CreationDate"(创建日期)、“ModDate"(修改日期)、Producer"(创建者)等。 |
| .pages | 包含pdfplumber . Page(页实例)的列表。 |
2.3 pdfplumber.Page 类
pdfplumber.Page是pdfplumber核心，大部分的操作都是围绕此类进行。
| 属性 | 说 |
|---|---|
| .page_number | 页码 |
| .width | 页面宽 |
| .height | 页面长 |
| .objects/ .chars /.lines /. rects /. curves / . images | 属性中的每一个都是一个列表，每个列表都是嵌入在页面上的每个此类对象包含一个字典。 |
2.4 读取PDF
import pdfplumber
import pandas as pd
with pdfplumber.open("ag-energy-round-up-2017-02-24.pdf") as pdf:
2.5 读取PDF文档信息
with pdfplumber.open("ag-energy-round-up-2017-02-24.pdf") as pdf:
print(pdf.metadata)
结果
{‘Title’: ‘National Ag Energy’, ‘Author’: ‘LGMN, Des Moines, IA’, ‘Keywords’: ‘National Ag Energy ethanol biodiesel bioenergy’, ‘CreationDate’: “D:20170224133144-06’00’”, ‘ModDate’: “D:20170224133144-06’00’”, ‘Producer’: ‘Microsoft® Excel® 2013’, ‘Creator’: ‘Microsoft® Excel® 2013’}
2.6 查看总页数
len(pdf.pages)
2.7 查看总页数读取第一页的宽度，页高等信息
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)
2.8 读取文本
with pdfplumber.open("继（吊岩坪）110-2018-05（都吊东线2区）.pdf") as pdf:
# 第一页pdfplumber.Page实例
first_page = pdf.pages[0]
text = first_page.extract_text()
print(text)
2.9 读取表格
import pdfplumber
import pandas as pd
with pdfplumber.open("继（吊岩坪）110-2018-05（都吊东线2区）.pdf") as pdf:
page_third = pdf.pages[0]
table_1 = page_third.extract_table()
#table_df = pd.DataFrame(table_1[1:], columns=table_1[0])
print(table_1)
##三 、示例
3.1 pdfplumber提取表格数据
提取表格数据主要用到extract_tables()和extract_table()两种方法，这两种提取方式各有不同。
extract_tables()方法——输出文档所有表格，返回一个嵌套列表。
with pdfplumber.open(r'继（吊岩坪）110-2018-05（都吊东线2区）.pdf') as pdf_info: # 打开pdf
page_one = pdf_info.pages[0]
page_one_table = page_one.extract_tables() # 获取pdf第一页的所有表格数据
for row in page_one_table:
print('第一页的表格数据：', row)
extact_table()方法——不会返回文档的所有表格，仅返回行数最多的表格数据。如存在多个行数相等的表格，则默认输出顶部表格数据。表格的每一行都为一个单独的列表，列表中的元素即为原表格的各个单元格的数据。
示例
# 提取pdf表格数据并保存到excel中
import pdfplumber
from openpyxl import Workbook
class PDF(object):
def __init__(self, file_path):
self.pdf_path = file_path
# 读取pdf
try:
self.pdf_info = pdfplumber.open(self.pdf_path)
print('读取文件完成！')
except Exception as e:
print('读取文件失败：', e)
# 打印pdf的基本信息、返回字典，作者、创建时间、修改时间/总页数
def get_pdf(self):
pdf_info = self.pdf_info.metadata
pdf_page = len(self.pdf_info.pages)
print('pdf共%s页' % pdf_page)
print("pdf文件基本信息：\n", pdf_info)
self.close_pdf()
# 提取表格数据,并保存到excel中
def get_table(self):
wb = Workbook() # 实例化一个工作簿对象
ws = wb.active # 获取第一个sheet
con = 0
try:
# 获取每一页的表格中的文字，返回table、row、cell格式：[[[row1],[row2]]]
for page in self.pdf_info.pages:
for table in page.extract_tables():
for row in table:
# 对每个单元格的字符进行简单清洗处理
row_list = [cell.replace('\n', ' ') if cell else '' for cell in row]
ws.append(row_list) # 写入数据
con += 1
print('---------------分割线,第%s页---------------' % con)
except Exception as e:
print('报错：', e)
finally:
wb.save('\\'.join(self.pdf_path.split('\\')[:-1]) + '\pdf_excel.xlsx')
print('写入完成！')
self.close_pdf()
# 关闭文件
def close_pdf(self):
self.pdf_info.close()
if __name__ == "__main__":
file_path = input('请输入pdf文件路径：')
pdf_info = PDF(file_path)
pdf_info.get_pdf() # 打印pdf基础信息
# 提取pdf表格数据并保存到excel中,文件保存到跟pdf同一文件路径下
pdf_info.get_table()
import pdfplumber
text_path = r"D:\Project\MyData\Study\GUI\6_GUI编程（第三部分）\第十一章GUI图形用户界面编程.pdf"
with pdfplumber.open(text_path) as pdf:
print(pdf.pages)#获取pdf文档所有的页，类型是dict
total_pages = len(pdf.pages)
print("total_pages: ",total_pages)
page = pdf.pages[0] #获取第一页
print(type(page)) #<class 'pdfplumber.page.Page'>
# print(page.extract_text()) #获取第一页的内容
#fitz读取pdf全文
content=""
for i in range(0,len(pdf.pages)):
# page=
content += pdf.pages[i].extract_text()
# print(page.extract_text())
# print(page.extract_tables())
# print(content)
读取文字
import pdfplumber
import pandas as pd
with pdfplumber.open("E:\\600aaa_2.pdf") as pdf:
page_count = len(pdf.pages)
print(page_count) # 得到页数
for page in pdf.pages:
print('---------- 第[%d]页 ----------' % page.page_number)
# 获取当前页面的全部文本信息，包括表格中的文字
print(page.extract_text())
读取表格
import pdfplumber
import pandas as pd
import re
with pdfplumber.open("E:\\600aaa_1.pdf") as pdf:
page_count = len(pdf.pages)
print(page_count) # 得到页数
for page in pdf.pages:
print('---------- 第[%d]页 ----------' % page.page_number)
for pdf_table in page.extract_tables(table_settings={"vertical_strategy": "text",
"horizontal_strategy": "lines",
"intersection_tolerance":20}): # 边缘相交合并单元格大小
# print(pdf_table)
for row in pdf_table:
# 去掉回车换行
print([re.sub('\s+', '', cell) if cell is not None else None for cell in row])
