python用pdfplumber提取pdf表格數(shù)據(jù)并保存到excel文件中

更新時間：2022年07月22日 15:58:03 作者：一位代碼

在實際研究中我們經常需要獲取大量數(shù)據(jù),而這些數(shù)據(jù)很大一部分以pdf表格的形式呈現(xiàn),如公司年報、發(fā)行上市公告等,下面這篇文章主要給大家介紹了關于利用python提取pdf表格數(shù)據(jù)并保存到excel文件中的相關資料,需要的朋友可以參考下

pdfplumber操作pdf文件

python開源庫pdfplumber，可以較為方便地獲取pdf的各種信息，包含pdf的基本信息（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的格式轉換功能。

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。

類	用法簡介
pdfplumber.PDF	.metadata，獲取pdf基礎信息，返回字典格式，包含作者、創(chuàng)建時間等。 .pages，返回pdfplumber.Page實例的列表，每一個實例包含pdf每一頁的信息
pdfplumber.Page	pdfplumber核心功能，對PDF的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類的實例。

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基礎信息

讀取pdf文件，并輸出pdf文件的基礎信息

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的基礎信息
page_con = len(pdf_info.pages)  # 獲取pdf的總頁數(shù)
print('pdf文件的基礎信息：\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文檔第一頁的所有表格數(shù)據(jù)
    for row in page_one_table:
       print('第一頁的表格數(shù)據(jù)：', row)

（2）、extact_table()方法

不會返回文檔的所有表格，僅返回行數(shù)最多的表格數(shù)據(jù)，如存在多個行數(shù)相等的表格，則默認輸出頂部表格數(shù)據(jù)。返回的數(shù)據(jù)結構層次為row-cell，表格的每一行都為一個單獨的列表，列表中的元素即為原表格的各個單元格的數(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 pdfplumber
from openpyxl import Workbook

class 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?。?, e)

    # 打印pdf的基本信息、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:
                        # 對每個單元格的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(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()