手把手教你用Python提取PDF中的表格
2022/1/31 14:05:27
本文主要是介绍手把手教你用Python提取PDF中的表格,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
前言
pdfplumber
是一个开源的 python
工具库 ,它可以轻松的获取 PDF
文本内容、标题、表格、尺寸等各种信息,今天来介绍如何使用它来提取 PDF
中的表格。
安装
首先通过下面命令安装 pdfplumber
模块。
pip install pdfplumber
或是使用豆瓣镜像源安装。
pip install -i https://pypi.douban.com/simple pdfplumber
案例
这里有一份2020年中国大学生计算机设计大赛参赛作品获奖名单,文件为 PDF
格式,每页都包含表格,表格中包含为各支队伍的获奖信息,共158页。表格前两页内容如下。
下面将 PDF
中的表格提取出来,并保存到 Excel
中。
首先导入所需要的模块:
import pdfplumber import pandas as pd
读取 PDF
文件
read_path = '2020年中国大学生计算机设计大赛参赛作品获奖名单.pdf' pdf_2020 = pdfplumber.open(read_path)
pages
属性包含 PDF
中每页的信息,循环每页内容,使用 extract_table()
方法提取每页中的表格数据,并将数据转为 DataFrame
,最后合并每页的数据。
result_df = pd.DataFrame() for page in pdf_2020.pages: table = page.extract_table() df_detail = pd.DataFrame(table[1:], columns=table[0]) # 合并每页的数据集 result_df = pd.concat([df_detail, result_df], ignore_index=True)
此时DataFrame中数据如下:
可以看到通过 extract_table()
提取后的数据有许多包含缺失值的列,我们还需要对DataFrame进行进一步处理,删除全为缺失值的列。
result_df.dropna(axis=1, how='all', inplace=True)
删了缺失值后,列名也一并删除了,还需要指定对应列名。
result_df.columns = ['奖项', '作品编号', '作品名称', '参赛学校', '作者', '指导老师']
到现在我们就成功将表格信息完整的提取出来了!
完整代码
import pdfplumber import pandas as pd def read_pdf(read_path, save_path): pdf_2020 = pdfplumber.open(read_path) result_df = pd.DataFrame() for page in pdf_2020.pages: table = page.extract_table() print(table) df_detail = pd.DataFrame(table[1:], columns=table[0]) result_df = pd.concat([df_detail, result_df], ignore_index=True) result_df.dropna(axis=1, how='all', inplace=True) result_df.columns = ['奖项', '作品编号', '作品名称', '参赛学校', '作者', '指导老师'] result_df.to_excel(excel_writer=save_path, index=False, encoding='utf-8') read_path = r'2020年中国大学生计算机设计大赛参赛作品获奖名单.pdf' save_path = r'2020年中国大学生计算机设计大赛参赛作品获奖名单.xlsx' read_pdf(read_path, save_path)
这篇关于手把手教你用Python提取PDF中的表格的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-05-08有遇到过吗?同样的规则 Excel 中 比Python 结果大
- 2024-03-30开始python成长之路
- 2024-03-29python optparse
- 2024-03-29python map 函数
- 2024-03-20invalid format specifier python
- 2024-03-18pool.map python
- 2024-03-18threads in python
- 2024-03-14python Ai 应用开发基础训练,字符串,字典,文件
- 2024-03-13id3 algorithm python
- 2024-03-13sum array elements python