python提取pdf表格数据并保存到excel中

pdfplumber操作pdf文件

python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。
一、pdfplumber安装及导入
跟其他包一样，支持使用pip安装，安装命令：

pip install pdfplumber

安装成功后，可直接用import导入，导入命令：

import pdfplumber

二、pdfplumber基础使用
1、基础知识
（1）pdfplumber有2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。

类	用法简介
pdfplumber.PDF	.metadata，获取pdf基础信息，返回字典格式，包含作者、创建时间等。 .pages，返回pdfplumber.Page实例的列表，每一个实例包含pdf每一页的信息
pdfplumber.Page	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、表格等

（2）pdfplumber读取pdf文件方式

pdfplumber.open(‘文件路径’)，返回pdfplumber.PDF类的实例。
如果pdf有密码，加入password参数：
pdfplumber.open(‘文件路径’,password=‘密码’)

2、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(r'test.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)

3、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。
用以下pdf文档，作为演示文档。

（1）extract_tables()方法
输出文档所有表格，返回一个嵌套列表，其结构层次为table-row-cell。如：

#extract_tables()用法
with pdfplumber.open(r'test.pdf') as pdf_info:  # 打开pdf文件page_one = pdf_info.pages[0]  # 选择第一页page_one_table =page_one.extract_tables()  # 获取pdf文档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)

（2）、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。返回的数据结构层次为row-cell，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。如：

# extract_table()用法
with pdfplumber.open(r'test.pdf') as pdf_info:  # 打开pdf文件page_one = pdf_info.pages[0]  # 选择第一页page_one_table = page_one.extract_table()for row in page_one_table:print(row)

三、提取pdf表格数据并保存到excel中
完整版，提取pdf表格数据并保存到excel中

import pdfplumber
from openpyxl import Workbookclass PDF(object):def __init__(self, file_path):self.pdf_path = file_path# 读取pdf文件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.metadatapdf_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sheetcon = 0try:# 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 += 1print('---------------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()

-end-

python提取pdf表格数据并保存到excel中相关推荐

【Python】Python提取word表格，并保存在excel中
需求:一些常用的对word的操作和提取word的表格,并保存在excel中 pip install python-docx from docx import Document from openpyx ...
python提取txt数据到excel_python 读取txt中每行数据,并且保存到excel中的实例
使用xlwt读取txt文件内容,并且写入到excel中,代码如下,已经加了注释. 代码简单,具体代码如下: # coding=utf-8 ''' main function:主要实现把txt中的每行数 ...
python逐行读取txt写入excel_python 读取txt中每行数据,并且保存到excel中的实例
使用xlwt读取txt文件内容,并且写入到excel中,代码如下,已经加了注释. 代码简单,具体代码如下: # coding=utf-8 ''' main function:主要实现把txt中的每行数 ...
python提取pdf表格数据_Python骚操作，提取pdf文件中的表格数据！
在实际研究中,我们经常需要获取大量数据,而这些数据很大一部分以pdf表格的形式呈现,如公司年报.发行上市公告等.面对如此多的数据表格,采用手工复制黏贴的方式显然并不可取.那么如何才能高效提取出pdf文 ...
python输出数据到excel-如何使用python将传感器数据输出保存到excel中
我目前正在使用raspberry pi并使用DHT11每秒读取温度和湿度值.我必须将这些值实时保存到数据库中.这是我每秒钟显示传感器数据的代码,我不知道如何在excel中保存数据/结果. import ...
python提取pdf表格数据导出到mongodb_python读取mongoDB数据并存入本地excel表格
from openpyxl import Workbook import pymongo # 读取mongoDB数据库相应的表,每条数据取出数个字段存入一个dict,再将所有的dict存入一个list ...
python数据如何保存到excel中
第一步:下载xlwt 首先要下载xlwt,(前提是你已经安装好了Python) 下载地址: https://pypi.python.org/pypi/xlwt/ 点击进去,找到下图内容下载第二个 ...
python读取pdf表格数据代码_Python新工具：用三行代码提取PDF表格数据
原标题:Python新工具:用三行代码提取PDF表格数据机器之心报道项目作者:vinayak mehta,参与:一鸣从 PDF 表格中获取数据是一项痛苦的工作.不久前,一位开发者提供了一个名为 ...
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 ...

python提取pdf表格数据并保存到excel中

python提取pdf表格数据并保存到excel中相关推荐

最新文章

热门文章