​ 

活动地址：CSDN21天学习挑战赛

学习的最大理由是想摆脱平庸，早一天就多一份人生的精彩；迟一天就多一天平庸的困扰。

学习日记

目录

学习日记

一、前言介绍

二、关于pdfplumber模块

1、pdfplumber的特点

2、pdfplumber.PDF类

3、pdfplumber.Page类

4、pdfplumber的安装

三、pdfplumber的使用

 1、加载PDF

2、pdfplumber.PDF 类

3、pdfplumber.Page 类

4、读取PDF

5、读取PDF文档信息

6、查看总页数

7、读取第一页的宽度，页高等信息

8、读取文本

9、读取表格

四、实操

1、获取pdf基础信息

2、pdfplumber提取表格数据

3、完整实例

---

一、前言介绍

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。

二、关于pdfplumber模块

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。

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。

3、pdfplumber.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。

4、pdfplumber的安装

win+r-cmd输入

pip install pdfplumber

三、pdfplumber的使用

 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。

传入 password 参数用于加载已加密的PDF文件。

例: pdfplumber.open("file.pdf", password = "test").

传入 laparams 参数可以使用pdfminer.six的布局引擎用于布局分析。例: pdfplumber.open("file.pdf", laparams = { "line_overlap": 0.7 }).

2、pdfplumber.PDF 类

pdfplumber.PDF 类代表一个PDF文件,主要有两个属性。

 

3、pdfplumber.Page 类

pdfplumber.Page是pdfplumber核心，大部分的操作都是围绕此类进行。

 

4、读取PDF

import pdfplumber
import pandas as pd
 
with pdfplumber.open("1.pdf") as pdf:

5、读取PDF文档信息

with pdfplumber.open("1.pdf") as pdf:
    print(pdf.metadata)

6、查看总页数

len(pdf.pages)

7、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)

8、读取文本

import pdfplumber
import pandas as pd
 
with pdfplumber.open("exm.pdf") as pdf:
    # print(pdf.metadata)
    # print(len(pdf.pages))
    # 第一页pdfplumber.Page实例
    first_page = pdf.pages[0]
    text = first_page.extract_text();
    print(text)

9、读取表格

import pdfplumber
import pandas as pd
 
with pdfplumber.open("exm.pdf") as pdf:
    page_third = pdf.pages[2]
    table_2 = page_third.extract_table()
    # print(table_2)
    table_df = pdf.DataFrame(table_2[1:], columns=table_2[0])
    print(table_df)
    # 保存excel
    table_df.to_excel('test.xlsx')

四、实操

1、获取pdf基础信息

#读取pdf文件，并输出pdf文件的基础信息
import pdfplumber
# 打开pdf文件，有密码加入password参数
pdf_info =pdfplumber.open(exm.pdf')
meta_data = pdf_info.metadata  # pdf的基础信息
page_con = len(pdf_info.pages)  # 获取pdf的总页数
print('pdf文件的基础信息：\n', meta_data)
print('pdf共%s页' % page_con)

2、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。

#extract_tables()法
with pdfplumber.open(r'exm.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。

# extract_table()法
with pdfplumber.open(r'exm.pdf') as pdf_info:  # 打开pdf
    page_one = pdf_info.pages[0]  
    page_one_table = page_one.extract_table()
    for row in page_one_table:
        print(row)

3、完整实例

#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()