python如何提取pdf表格？详解三种表格类型提取方式
发布时间：2022-04-07 15:38:34 所属栏目：语言 来源：互联网
导读：我们经常会需要从FPDF中提前信息，例如文本，表格等等，对于比价少的内容，我们一般会使用复制粘贴解决，但是内容很多时候怎样提取呢？下面给就分享使用python提取pdf表格的方法，小编觉得是比价实用的，感兴趣的朋友就一起来看看吧。 通常PDF里的表格分为图
|
我们经常会需要从FPDF中提前信息，例如文本，表格等等，对于比价少的内容，我们一般会使用复制粘贴解决，但是内容很多时候怎样提取呢？下面给就分享使用python提取pdf表格的方法，小编觉得是比价实用的，感兴趣的朋友就一起来看看吧。 通常PDF里的表格分为图片型和文本型。文本型又分简单型和复杂型。本文就针对这三部分举例讲解。 提取简单型表格 提取较为复杂型表格 提取图片型表格 可以看到，该页只有一个表格，下面我们将这个表写入Excel中，先上代码 import pdfplumber as pr import pandas as pd pdf = pr.open('关于使用自有资金购买银行理财产品的进展公告.PDF') ps = pdf.pages pg = ps[3] tables = pg.extract_tables() table = tables[0] print(table) df = pd.DataFrame(table[1:],columns = table[0]) for i in range(len(table)): for j in range(len(table[i])): table[i][j] = table[i][j].replace('n','') df1 = pd.DataFrame(table[1:],columns = table[0]) df1.to_excel('page2.xlsx') 得到的结果如下： 通过与PDF上原表格对比，在内容上是完全一致的，唯一不同的是由于主营业务内容较多，导致显示的不全面，现在来说说这段代码。 首先导入要用到的两个库。在pdfplumber中，open()函数是用来打开PDF文件，该代码用的是相对路径。.open().pages则是获取PDF的页数，打印ps值可以得到如下 pg = ps[3]代表的就是我们所选的第三页。 pg.extract_tables()：可输出页面中所有表格，并返回一个嵌套列表，其结构层次为table→row→cell。此时，页面上的整个表格被放入一个大列表中，原表格中的各行组成该大列表中的各个子列表。若需输出单个外层列表元素，得到的便是由原表格同一行元素构成的列表。 与其类似的是pg.extract_table( )：返回多个独立列表，其结构层次为row→cell。若页面中存在多个行数相同的表格，则默认输出顶部表格；否则，仅输出行数最多的一个表格。此时，表格的每一行都作为一个单独的列表，列表中每个元素即为原表格的各个单元格内容。 由于该页面中只有一个表格，我们需要tables集合中的第一个元素。打印table值，如下： 可以看到在上述中是存在n这种没不要的字符，它的作用其实是换行但我们在Excel中是不需要的。所以需要剔除它，用代码中的for循环与replace函数将控制替换成空格(即删除n)。观察table是一个装有2个元素的列表。 最后df1 = pd.DataFrame(table[1:],columns = table[0])这段代码的作用就是创建一个数据框，将内容放到对应的行列中。 本代码只是简单将数据存入到Excel，如果你需要进一步对样式进行调整，可以使用openpyxl等模块进行修改。 （编辑：南通站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
