Python使用pdfplumber提取PDF表格数据及批量处理

Python提取PDF表格数据基础

面对存储在PDF格式中的表格数据，我们需要借助Python工具将其提取出来。

在Python环境中提取表格数据，首要步骤是安装pdfplumber模块。请在命令行（CMD）中执行以下安装命令：

pip install pdfplumber

安装完成后，需在代码中导入所需的模块。

import pdfplumber import pandas as pd

接下来，打开目标PDF文件。

# 使用with语句打开pdf文件
with pdfplumber.open("D:\\python\\cai\\yq.pdf") as pdf:
  # pages[0]表示取第1页
  page = pdf.pages[0]

为了验证是否成功获取了PDF内的文本内容，我们可以先打印输出提取的文本信息。

print(page.extract_text())

执行上述代码后，若控制台输出预期文本，则说明文件读取成功。

随后，利用extract_table()函数获取表格数据。若PDF中包含多个表格，可改用extract_tables()函数（注意多了个's'）来获取所有表格。

d1=page.extract_table()

执行该代码后，返回结果为一个列表结构，而非直接的数据框。

因此，最后一步是将该列表转换为Pandas数据框，具体代码如下：

df = pd.DataFrame(d1[1:], columns=d1[0])

执行转换代码后，即可得到格式化的df数据框。

在此过程中，有几个注意事项需要特别留意：

1. PDF表格中的同一数据或内容不应包含换行符，否则系统可能将其识别为两个独立的数据项；

2. PDF中的表格必须包含边框。若表格无边框，extract_table()函数将无法提取表格数据（尽管extract_text()仍可获取纯文本）。这一点在实际操作中尤为重要。

PDF多页表格批量处理

假设我们有一份包含三页的PDF文件，每页具有相同的数据结构但内容不同，现在需要使用Python进行批量提取。

基于之前的经验，我们可以直接编写批量处理的代码：

import pdfplumber
import pandas as pd
 
# 创建一个空数据框
df = pd.DataFrame()
 
# 使用with语句打开pdf文件
with pdfplumber.open("D:\\python\\cai\\5.pdf") as pdf:
  # 使用for循环遍历每个pages
  for page in pdf.pages:
    # 取出当前页表格，结果为列表
    d=page.extract_table()
    # 将列表转为数据框
    df1 = pd.DataFrame(d[1:], columns=d[0]) 
    #添加至df数据框中
    df = df.append(df1)

执行该批量处理代码后，最终将得到包含所有页面数据的df数据框。

整个过程是否简单高效？

以上就是本文的全部内容，希望能为您的学习提供有益帮助，也欢迎大家继续支持本站。