目錄
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(chuàng)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(zhuǎn)換功能。
一、pdfplumber安裝及導(dǎo)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(dǎo)入，導(dǎo)入命令：
import pdfplumber
二、pdfplumber基礎(chǔ)使用
1、基礎(chǔ)知識
（1）pdfplumber有2個基礎(chǔ)類
PDF和Page，PDF用來處理整個文檔，Page用來處理整個頁面。
| 類 | 用法簡介 |
|---|---|
| pdfplumber.PDF | .metadata，獲取pdf基礎(chǔ)信息，返回字典格式，包含作者、創(chuàng)建時間等。 .pages，返回pdfplumber.Page實例得列表，每一個實例包含pdf每一頁得信息 |
| pdfplumber.Page | pdfplumber核心功能，對PDF得大部分操作都是基于這個類，包括提取文本、表格等 |
（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(shù)：
pdfplumber.open(‘文件路徑’,password=‘密碼’)
2、獲取pdf基礎(chǔ)信息
讀取pdf文件，并輸出pdf文件得基礎(chǔ)信息
import pdfplumber# 打開pdf文件，有密碼加入password參數(shù)pdf_info =pdfplumber.open(r'test.pdf')meta_data = pdf_info.metadata # pdf得基礎(chǔ)信息page_con = len(pdf_info.pages) # 獲取pdf得總頁數(shù)print('pdf文件得基礎(chǔ)信息：n', meta_data)print('pdf共%s頁' % page_con)
3、pdfplumber提取表格數(shù)據(jù)
提取表格數(shù)據(jù)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(jié)構(gòu)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(shù)據(jù) for row in page_one_table: print('第一頁得表格數(shù)據(jù)：', row)
（2）、extact_table()方法
不會返回文檔得所有表格，僅返回行數(shù)最多得表格數(shù)據(jù)，如存在多個行數(shù)相等得表格，則默認輸出頂部表格數(shù)據(jù)。返回得數(shù)據(jù)結(jié)構(gòu)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(shù)據(jù)。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(shù)據(jù)并保存到excel中
完整版，提取pdf表格數(shù)據(jù)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(chuàng)建時間、修改時間/總頁數(shù) 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(shù)據(jù),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(shù)據(jù) 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(guān)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(chǔ)信息 # 提取pdf表格數(shù)據(jù)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(jié)
到此這篇關(guān)于python用pdfplumber提取pdf表格數(shù)據(jù)并保存到excel文件中得內(nèi)容就介紹到這了,更多相關(guān)python提取pdf數(shù)據(jù)保存excel內(nèi)容請搜索之家以前得內(nèi)容或繼續(xù)瀏覽下面得相關(guān)內(nèi)容希望大家以后多多支持之家！