↓推荐关注↓


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 2020-2021 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pdfplumberimport
 pdfplumber
# 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
import
 pandas 
as
 pd
# 将列表转为df
table_df = pd.DataFrame(table_2[
1
:],columns=table_2[
0
])
# 保存excel
table_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python 3.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https://github.com/jsvine/pdfplumber

pdfplumber安装和导入

同其他python库一样，pdfplumber支持使用pip安装，在命令行输入：
pip install pdfplumber
如果遇到安装慢的问题，可以替换镜像源，会快很多。
pdfplumber安装后，用import导入即可使用：
import
 pdfplumber
....

pdfplumber简单使用

pdfplumber中有两个基础类，PDF和Page。看字面意思能猜出，前者是处理整个文档，后者是处理页面。
「pdfplumber.PDF类」
属性
描述
.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」
这是pdfplumber的核心功能，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。
这里暂不一一列举它的属性和方法。
通过一个简单的案例，就可以明白它们的作用。示例pdf文档，共两页：
1. 读取pdf
# 导入pdfplumberimport
 pdfplumber
# 读取pdf文件，返回pdfplumber.PDF类的实例
pdf = pdfplumber.open(
"e:\\nba2.pdf"
)
2. 获取该pdf文档的信息
# 通过pdfplumber.PDF类的metadata属性获取pdf信息pdf.metadata
输出：
这些是pdf的基础信息，包括作者、来源、日期等。
3. 总页数
# 通过pdfplumber.PDF类的metadata属性获取pdf页数len(pdf.pages)
4. 读取第一页的页宽、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)
输出：
5. 读取第一页的文本
# 读取文本
text = first_page.extract_text()
print(text)
输出：
  1. 读取第二页的表格
import
 pandas 
as
 pd
# 第二页pdfplumber.Page实例
first_page = pdf.pages[
1
]
# 自动读取表格信息，返回列表
table = first_page.extract_tables()
# 将列表转为df
table_df = pd.DataFrame(table_2[
1
:],columns=table_2[
0
])
table_df
pdfplumber提取表格有很多的细节需要处理，这里给到的范例表格线框比较规范，所以能很简单的提取，但对于线框不完全（包含无线框）的表格，其效果就差了不少。
在实际项目所需处理的pdf文档中，线框完全及不完全的表格都比较多，为了能够理解pdfplumber实现表格抽取的原理和方法，我们需要去细究相关参数的设置。
正如案例所示，pdfplumber.Page对象的.extract_table()方法可以提取表格，返回从页面上最大的表中提取的文本，以列表列表的形式显示，结构为row -> cell。
「表格抽取参数设置」
默认情况下，extract_table使用页面的垂直和水平线（或矩形边缘）作为单元格分隔符。该方法可以通过table_settings参数进行高度自定义。可能的设置及其默认值：
{
"vertical_strategy"
: 
"lines"
, 
"horizontal_strategy"
: 
"lines"
,
"explicit_vertical_lines"
: [],
"explicit_horizontal_lines"
: [],
"snap_tolerance"
: 
3
,
"join_tolerance"
: 
3
,
"edge_min_length"
: 
3
,
"min_words_vertical"
: 
3
,
"min_words_horizontal"
: 
1
,
"keep_blank_chars"
: 
False
,
"text_tolerance"
: 
3
,
"text_x_tolerance"
: 
None
,
"text_y_tolerance"
: 
None
,
"intersection_tolerance"
: 
3
,
"intersection_x_tolerance"
: 
None
,
"intersection_y_tolerance"
: 
None
,
}
pdfplumber支持对图表进行可视化调试，能输出图像，显示如何提取表。

pdfplumber的独特之处

python中有很多库可以处理pdf，比如PyPDF2、pdfminer等，那pdfplumber的优势在哪呢？
首先，pdfplumber能轻松访问有关PDF对象的所有详细信息，且用于提取文本和表格的方法高级可定制，使用者可根据表格的具体形式来调整参数。
最关键的是pdfplumber作者持续在维护该库，而同样受欢迎的PyPDF2已经不再维护了。
PS：后台回复关键字：pdf，获取文中案例及代码
- EOF -
推荐阅读点击标题可跳转
1、可能是全网最完整的 Python 操作 Excel库总结！
2、0 代码就能做 Python 数据分析，这个 Jupyter 插件，用起来就像 Excel 一样简单
3、再见 VBA！神器工具统一 Excel 和 Python
觉得本文对你有帮助？请分享给更多人
推荐关注「Python开发者」，提升Python技能
点赞和在看就是最大的支持❤️
继续阅读
阅读原文