python用pdfplumber提取pdf表格数据并保存到excel文件中

目录

• pdfplumber操作pdf文件
• 一、pdfplumber安装及导入
• 二、pdfplumber基础使用
• 1、基础知识
• 2、获取pdf基础信息
• 3、pdfplumber提取表格数据
• 三、提取pdf表格数据并保存到excel中
• 总结

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。

（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 Workbook

class 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.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()

总结

到此这篇关于python用pdfplumber提取pdf表格数据并保存到excel文件中的文章就介绍到这了,更多相关python提取pdf数据保存excel内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！