详解Python如何利用pdfplumber提取PDF中的表格
更新时间：2024年04月18日 10:32:28 作者：程序媛小本
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,文中通过代码和图片讲解的非常详细,需要的朋友可以参考下
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)
到此这篇关于详解Python如何利用pdfplumber提取PDF中的表格的文章就介绍到这了,更多相关Python pdfplumber提取PDF表格内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
本文主要介绍了Anaconda安装pytorch和paddle的方法步骤，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2022-04-04
今天小编就为大家分享一篇kafka监控获取指定topic的消息总量示例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-12-12
这篇文章主要介绍了Python异常捕获以及简单错误日志生成方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教2023-09-09
这篇文章主要为大家详细介绍了python的yield和generator，针对python的生成器和yield关键字进行深入学习，感兴趣的小伙伴们可以参考一下2016-03-03
这篇文章主要介绍了Python实现求两个数组交集的方法,涉及Python数组遍历、排序、判断、追加等相关操作技巧,需要的朋友可以参考下2019-02-02
这篇文章主要介绍了Python request设置HTTPS代理代码解析，分享了相关代码示例，小编觉得还是挺不错的，具有一定借鉴价值，需要的朋友可以参考下2018-02-02
这篇文章主要介绍了Anaconda的安装与虚拟环境建立2020-11-11
这篇文章主要为大家介绍了Python语法糖遍历列表时删除元素详解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪2023-05-05
PyTorch深度学习LSTM从input输入到Linear输出
这篇文章主要为大家介绍了PyTorch深度学习LSTM从input输入到Linear输出深入理解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪2022-05-05
这篇文章主要介绍了如何用Python进行回归分析与相关分析,这两部分内容会放在一起讲解,文中提供了解决思路以及部分实现代码,需要的朋友可以参考下2023-03-03
最新评论