python用pdfplumber提取pdf表格數據并保存到excel文件中

目錄

• pdfplumber操作pdf文件
• 一、pdfplumber安裝及導入
• 二、pdfplumber基礎使用
• 1、基礎知識
• 2、獲取pdf基礎信息
• 3、pdfplumber提取表格數據
• 三、提取pdf表格數據并保存到excel中
• 總結

pdfplumber操作pdf文件

python開源庫pdfplumber，可以較為方便地獲取pdf得各種信息，包含pdf得基本信息（作者、創建時間、修改時間…）及表格、文本、圖片等信息，基本可以滿足較為簡單得格式轉換功能。

一、pdfplumber安裝及導入

跟其他包一樣，支持使用pip安裝，安裝命令：

pip install pdfplumber

安裝成功后，可直接用import導入，導入命令：

import pdfplumber

二、pdfplumber基礎使用

1、基礎知識

（1）pdfplumber有2個基礎類

PDF和Page，PDF用來處理整個文檔，Page用來處理整個頁面。

（2）pdfplumber讀取pdf文件方式

pdfplumber.open(‘文件路徑’)，返回pdfplumber.PDF類得實例。

如果pdf有密碼，加入password參數：

pdfplumber.open(‘文件路徑’,password=‘密碼’)

2、獲取pdf基礎信息

讀取pdf文件，并輸出pdf文件得基礎信息

import pdfplumber# 打開pdf文件，有密碼加入password參數pdf_info =pdfplumber.open(r'test.pdf')meta_data = pdf_info.metadata  # pdf得基礎信息page_con = len(pdf_info.pages)  # 獲取pdf得總頁數print('pdf文件得基礎信息：n', meta_data)print('pdf共%s頁' % page_con)

3、pdfplumber提取表格數據

提取表格數據主要用到extract_tables()和extract_table()兩種方法，這兩種提取方式各有不同。

用以下pdf文檔，作為演示文檔。

（1）extract_tables()方法

輸出文檔所有表格，返回一個嵌套列表，其結構層次為table-row-cell。如：

#extract_tables()用法with pdfplumber.open(r'test.pdf') as pdf_info:  # 打開pdf文件    page_one = pdf_info.pages[0]  # 選擇第一頁    page_one_table =page_one.extract_tables()  # 獲取pdf文檔第一頁得所有表格數據    for row in page_one_table:       print('第一頁得表格數據：', row)

（2）、extact_table()方法

不會返回文檔得所有表格，僅返回行數最多得表格數據，如存在多個行數相等得表格，則默認輸出頂部表格數據。返回得數據結構層次為row-cell，表格得每一行都為一個單獨得列表，列表中得元素即為原表格得各個單元格得數據。如：

# extract_table()用法with pdfplumber.open(r'test.pdf') as pdf_info:  # 打開pdf文件    page_one = pdf_info.pages[0]  # 選擇第一頁    page_one_table = page_one.extract_table()    for row in page_one_table:        print(row)

三、提取pdf表格數據并保存到excel中

完整版，提取pdf表格數據并保存到excel中

import pdfplumberfrom openpyxl import Workbookclass PDF(object):    def __init__(self, file_path):        self.pdf_path = file_path        # 讀取pdf文件        try:            self.pdf_info = pdfplumber.open(self.pdf_path)            print('讀取文件完成！')        except Exception as e:            print('讀取文件失敗：', e)    # 打印pdf得基本信息、返回字典，作者、創建時間、修改時間/總頁數    def get_pdf(self):        pdf_info = self.pdf_info.metadata        pdf_page = len(self.pdf_info.pages)        print('pdf共%s頁' % pdf_page)        print("pdf文件基本信息：n", pdf_info)        self.close_pdf()    # 提取表格數據,并保存到excel中    def get_table(self):        wb = Workbook()  # 實例化一個工作簿對象        ws = wb.active  # 獲取第一個sheet        con = 0        try:            # 獲取每一頁得表格中得文字，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:                        # 對每個單元格得字符進行簡單清洗處理                        row_list = [cell.replace('n', ' ') if cell else '' for cell in row]                        ws.append(row_list)  # 寫入數據                con += 1                print('---------------分割線,第%s頁---------------' % con)        except Exception as e:            print('報錯：', e)        finally:            wb.save('\'.join(self.pdf_path.split('\')[:-1]) + 'pdf_excel.xlsx')            print('寫入完成！')            self.close_pdf()    # 關閉文件    def close_pdf(self):        self.pdf_info.close()if __name__ == "__main__":    file_path = input('請輸入pdf文件路徑：')    pdf_info = PDF(file_path)    # pdf_info.get_pdf() # 打印pdf基礎信息    # 提取pdf表格數據并保存到excel中,文件保存到跟pdf同一文件路徑下    pdf_info.get_table()

總結

到此這篇關于python用pdfplumber提取pdf表格數據并保存到excel文件中得內容就介紹到這了,更多相關python提取pdf數據保存excel內容請搜索之家以前得內容或繼續瀏覽下面得相關內容希望大家以后多多支持之家！