python提取pdf表格数据无边框_Python使用Tabula提取PDF表格数据

今天遇到一个批量读取pdf文件中表格数据的需求，样式大体是以下这样：

python读取PDF无非就是三种方式(我所了解的)，pdfminer、pdf2htmlEX 和 Tabula。综合考虑后，选择了最后一种。下面对三种方式分别介绍：

pdfminer

该方式从网上搜索的结果是，可以提取pdf文本数据，但是提取后表格信息就乱了。所以本人没有亲自实验，就果断放弃了实验该方法。如果只是提取pdf里面的文本内容，该方式可能是比较合适的。

pdf2htmlEX

#-*- conding: utf-8 -*-

import subprocess

subprocess.call('"D:\Program Files (x86)\pdf2htmlEX-win32-0.14.6-upx-with-poppler-data\pdf2htmlEX.exe" --dest-dir E:\\test\extract\\2017gq\\out E:\\test\extract\\2017gq\\a53277ce525547088780c4b94accb7b5.pdf', shell=True)

执行以上代码，会在指定目录 E:\test\extract\2017gq\out 下生成对应html文件，浏览器中查看效果：

可以看到整体转换的效果非常不错，但是转换后的标签没有特点，使数据的提取变得非常困难。多番尝试后，感觉该方法不够通用，没法解决我的需求。也许对于单纯的pdf转html，该方式可能是最好的选择。

Tabula

Tabula是专门用来提取PDF表格数据的，同时支持PDF导出为CSV、Excel格式。

官网： http://tabula.technology/

Github: https://github.com/chezou/tabula-py

首先安装tabula-py: pip install tabula-py

tabula-py依赖库包括java、pandas、numpy，所以需保证运行环境中安装了这些库。

#-*- conding: utf-8 -*-

import tabula

df = tabula.read_pdf("E:\\test\\extract\\2017gq\\a53277ce525547088780c4b94accb7b5.pdf", encoding='gbk', pages='all')

print(df)

for indexs in df.index:

# 遍历打印企业名称

print(df.loc[indexs].values[1].strip())

执行以上代码，成功打印出表格中的所有企业名称，查看打印的 df 的结构，如下图：

总结

以上三种方式中，最后一种方式完美的解决了我的从PDF表格中提取数据的需求，希望能抛砖引玉，大家在使用时选择最适合自己的方法，如有介绍不当之处，望留言中指正，谢过。

python提取pdf表格数据无边框_Python使用Tabula提取PDF表格数据相关推荐

python读取pdf表格_Python使用Tabula提取PDF表格数据
今天遇到一个批量读取pdf文件中表格数据的需求,样式大体是以下这样: python读取PDF无非就是三种方式(我所了解的),pdfminer.pdf2htmlEX 和 Tabula.综合考虑后,选择了 ...
Bootstrap——表格（基本实例、表头选项、条纹状表格、带边框的表格、无边框的表格、鼠标指针悬停、紧凑表格、状态类、响应式表格）
在网页制作中,通常会用到表格的鼠标悬停.隔行变色等功能.Bootstrap中提供了一系列表格布局样式,利用该样式可以帮助开发者快速开发出美观的表格,作用于<table>元素的表格样式如下表 ...
python tabula 使用方法_Python使用Tabula提取PDF表格数据
今天遇到一个批量读取pdf文件中表格数据的需求,样式大体是以下这样: python读取PDF无非就是三种方式(我所了解的),pdfminer.pdf2htmlEX 和 Tabula.综合考虑后,选择了 ...
java读取pdf多表格_在Java中使用tabula提取PDF中的表格数据
问题:如何将pdf文件中指定的表格数据提取出来? 尝试过的工具包有:pdfbox.tabula.最终选用tabula 两种工具的比较 pdfbox 其中,pdfbox能将pdf中的内容直接提取成Str ...
python写入excel怎么跨列居中_Python使用OpenPyXL处理Excel表格
官方文档: http://openpyxl.readthedocs.io/en/default/ OpenPyXL库 --单元格样式设置单元格样式的控制,依赖openpyxl.style包,其中定义 ...
python读取json文件制作中国人口地图_Python对JSON文件世界人口数据进行可视化
制作世界人口地图,用json模块来处理,将人口数据进行可视化!!! 下载JSON格式的人口数据,下面附上完整的,在网站中https://datahub.io/下载的数据集的详细过程!!! 1.下载世界 ...
python之33个关键字详解_Python解析、提取url关键字的实例详解
解析url用的类库: python2版本: from urlparse import urlparse import urllib python3版本: from urllib.parse impor ...
用python进行多页数据爬取_Python Scrapy如何实现多页数据爬取？
Python Scrapy如何实现多页数据爬取? 发布时间:2020-06-23 11:47:46 来源:亿速云阅读:112 作者:清晨这篇文章将为大家详细讲解有关Python Scrapy如何实 ...
python 40位的数减个位数_Python数据分析入门教程(五)：数据运算
作者 | CDA数据分析师进行到这一步就可以算是开始正式的烹饪了,在这部分之前的数据操作部分我们列举了一些不同维度的分析指标,这一章我们主要看看这些指标都是怎么计算出来的. 一.算术运算算术运算就 ...
python 录入数据不重复_python Django批量导入不重复数据
本文为大家分享了python Django批量导入不重复数据的实现代码,供大家参考,具体内容如下程序如下: #coding:utf-8 import os os.environ.setdefault ...

python提取pdf表格数据无边框_Python使用Tabula提取PDF表格数据

python提取pdf表格数据无边框_Python使用Tabula提取PDF表格数据相关推荐

最新文章

热门文章

python提取pdf表格数据 无边框_Python使用Tabula提取PDF表格数据

python提取pdf表格数据 无边框_Python使用Tabula提取PDF表格数据相关推荐

最新文章

热门文章

python提取pdf表格数据无边框_Python使用Tabula提取PDF表格数据

python提取pdf表格数据无边框_Python使用Tabula提取PDF表格数据相关推荐