使用Python將PDF表格提取到文本,CSV和Excel文件中
從PDF文檔中提取表格并將其轉(zhuǎn)換為更易于處理的格式（如文本、CSV和Excel文件），是數(shù)據(jù)分析和信息管理中的常見需求。此過程可顯著簡(jiǎn)化表格數(shù)據(jù)的處理，使數(shù)據(jù)的操作、分析和與其他數(shù)據(jù)集的集成更加便捷。無(wú)論是財(cái)務(wù)報(bào)表、研究論文，還是包含結(jié)構(gòu)化信息的其他文檔，掌握這些表格準(zhǔn)確轉(zhuǎn)換的方法對(duì)于充分發(fā)揮數(shù)據(jù)潛力至關(guān)重要。
本文將介紹如何使用簡(jiǎn)單的Python代碼從PDF文檔中提取表格數(shù)據(jù)并將其寫入文本、CSV和Excel文件，從而輕松實(shí)現(xiàn)PDF表格的自動(dòng)化提取。
本文所需的庫(kù)為Spire.PDF for Python。可通過PyPI安裝：pip install spire.pdf。
用于操作的示例PDF
如何使用Python提取PDF表格數(shù)據(jù)
庫(kù)中的PdfTableExtractor類用于處理PDF文檔的表格提取?？梢酝ㄟ^PdfTableExtractor.ExtractTable(pageIndex: int)方法從PDF頁(yè)面中提取表格，并以Utilities_PdfTable對(duì)象的集合形式返回表格數(shù)據(jù)。接著，可通過遍歷表格并使用Utilities_PdfTable.GetCellText(rowIndex: int, columnIndex: int)方法獲取每個(gè)單元格中的數(shù)據(jù)。
提取PDF表格數(shù)據(jù)的一般步驟如下：
- 創(chuàng)建一個(gè)PdfDocument實(shí)例并使用PdfDocument.LoadFromFile()方法加載PDF文檔。
- 使用該文檔創(chuàng)建PdfTableExtractor實(shí)例。
- 使用PdfTableExtractor.ExtractTable(pageIndex: int)方法提取文檔中每頁(yè)的表格。
- 遍歷每個(gè)表格并使用Utilities_PdfTable.GetCellText(rowIndex: int, columnIndex: int)方法獲取單元格值。
- 將提取的表格數(shù)據(jù)寫入其他文件。
注意：當(dāng)使用提取的表格數(shù)據(jù)構(gòu)建字符串時(shí)，如果單元格文本中包含換行符，最終生成的文本文件中可能會(huì)多出額外的換行符。為了避免造成混淆，應(yīng)將這些換行符去除或替換為空格。
用Python將PDF表格數(shù)據(jù)提取為文本文件
提取PDF文檔中的表格數(shù)據(jù)后，可直接將每個(gè)表格的數(shù)據(jù)寫入字符串并保存到文本文件中，從而實(shí)現(xiàn)將PDF表格數(shù)據(jù)導(dǎo)出為文本文件。
具體步驟如下：
1.導(dǎo)入所需模塊：PdfDocument和PdfTableExtractor。
2.創(chuàng)建PdfDocument實(shí)例并使用PdfDocument.LoadFromFile()方法加載PDF文檔。
3.使用該文檔創(chuàng)建PdfTableExtractor實(shí)例。
4.使用PdfTableExtractor.ExtractTable(pageIndex: int)方法提取每頁(yè)中的表格。
5.遍歷提取的表格：
- 創(chuàng)建一個(gè)str對(duì)象以存儲(chǔ)表格數(shù)據(jù)。
- 使用Utilities_PdfTable.GetCellText(rowIndex: int, columnIndex: int)方法獲取單元格值。
- 將單元格值追加到str對(duì)象中。
- 將str對(duì)象寫入文件。
6.釋放資源
代碼示例
from spire.pdf import PdfDocument, PdfTableExtractor
# 創(chuàng)建一個(gè) PdfDocument 對(duì)象
pdf = PdfDocument()
# 加載一個(gè) PDF 文檔
pdf.LoadFromFile("Sample.pdf")
# 創(chuàng)建一個(gè) PdfTableExtractor 對(duì)象
extractor = PdfTableExtractor(pdf)
# 遍歷所有頁(yè)面
for pageIndex in range(pdf.Pages.Count):
# 從每個(gè) PDF 頁(yè)面中提取表格
tables = extractor.ExtractTable(pageIndex)
# 如果存在多個(gè)表格，則遍歷這些表格
if tables is not None:
for tableIndex in range(len(tables)):
# 獲取一個(gè)表格
table = tables[tableIndex]
# 創(chuàng)建一個(gè)字符串對(duì)象來(lái)存儲(chǔ)表格數(shù)據(jù)
tableData = ""
# 遍歷表格的行和列
for rowIndex in range(table.GetRowCount()):
for colIndex in range(table.GetColumnCount()):
# 獲取單元格文本
text = table.GetText(rowIndex, colIndex)
text = text.replace("\n", " ")
# 將單元格文本添加到表格數(shù)據(jù)中
tableData += text
if colIndex < table.GetColumnCount() - 1:
tableData += "\t"
tableData += "\n"
# 將表格數(shù)據(jù)寫入文本文件
with open(f"output/Tables/Page{pageIndex+1}-Table{tableIndex+1}.txt", "w", encoding="utf-8") as f:
f.write(tableData)
# 釋放資源
pdf.Dispose()
輸出結(jié)果
用Python將PDF表格數(shù)據(jù)提取為CSV文件
同樣，可以使用類似方法從PDF文檔中提取表格數(shù)據(jù)，并利用Python標(biāo)準(zhǔn)庫(kù)中的CSV模塊將每個(gè)表格寫入CSV文件。在此過程中也需注意去除或替換換行符，以改善CSV文件的結(jié)果。具體步驟如下：
1.導(dǎo)入所需模塊：PdfDocument、PdfTableExtractor和CSV。
2.創(chuàng)建PdfDocument實(shí)例并使用PdfDocument.LoadFromFile()方法加載PDF文檔。
3.使用該文檔創(chuàng)建PdfTableExtractor實(shí)例。
4.使用PdfTableExtractor.ExtractTable(pageIndex: int)方法提取每頁(yè)中的表格。
5.遍歷提取的表格：
- 創(chuàng)建CSV文件。
- 遍歷表格中的行并創(chuàng)建列表以存儲(chǔ)行數(shù)據(jù)。
- 使用Utilities_PdfTable.GetCellText(rowIndex: int, columnIndex: int)方法獲取每行的單元格值并追加到列表中。
- 使用csv.writer().writerow()方法將每行寫入CSV文件。
6.釋放資源。
代碼示例
from spire.pdf import PdfDocument, PdfTableExtractor
import csv
# 創(chuàng)建一個(gè) PdfDocument 對(duì)象
pdf = PdfDocument()
# 加載一個(gè) PDF 文檔
pdf.LoadFromFile("Sample.pdf")
# 創(chuàng)建一個(gè) PdfTableExtractor 對(duì)象
extractor = PdfTableExtractor(pdf)
# 遍歷所有頁(yè)面
for pageIndex in range(pdf.Pages.Count):
# 從每個(gè) PDF 頁(yè)面中提取表格
tables = extractor.ExtractTable(pageIndex)
# 如果存在多個(gè)表格，則遍歷這些表格
if tables is not None:
for tableIndex in range(len(tables)):
# 獲取一個(gè)表格
table = tables[tableIndex]
# 創(chuàng)建一個(gè) CSV 文件
with open("output/Tables/Page" + str(pageIndex+1) + "-Table" + str(tableIndex+1) + ".csv", "w", newline='', encoding='utf-8') as csvFile:
writer = csv.writer(csvFile)
# 遍歷表格的行和列
for rowIndex in range(table.GetRowCount()):
row = []
for colIndex in range(table.GetColumnCount()):
# 獲取單元格文本
text = table.GetText(rowIndex, colIndex)
text = text.replace('\n', ' ')
row.append(text)
writer.writerow(row)
# 釋放資源
pdf.Dispose()
輸出結(jié)果
用Python將PDF表格數(shù)據(jù)提取到Excel工作表
可使用另一庫(kù)Spire.XLS for Python將提取的PDF表格數(shù)據(jù)寫入Excel工作表。通過PyPI獲取Spire.PDF for Python：pip install spire.xls。
具體步驟如下：
1.導(dǎo)入所需模塊：PdfDocument、PdfTableExtractor、Workbook和spire.xls.FileFormat。
2.創(chuàng)建PdfDocument實(shí)例并使用PdfDocument.LoadFromFile()方法加載PDF文檔。
3.創(chuàng)建Workbook實(shí)例用于存儲(chǔ)表格，并使用Workbook.Worksheets.Clear()方法清除默認(rèn)工作表。
4.使用該文檔創(chuàng)建PdfTableExtractor實(shí)例。
5.使用PdfTableExtractor.ExtractTable(pageIndex: int)方法提取每頁(yè)中的表格。
6.遍歷提取的表格：
- 使用Workbook.Worksheets.Add(sheetName: str)方法為每個(gè)表格添加工作表。
- 使用Utilities_PdfTable.GetCellText(rowIndex: int, columnIndex: int)方法獲取表格的單元格值。
- 通過Worksheet.Range[rowIndex + 1, colIndex + 1].Text屬性將單元格值寫入相應(yīng)的工作表單元格。
7.使用Workbook.SaveToFile()方法保存工作簿。
8.釋放資源。
代碼示例
from spire.pdf import PdfDocument, PdfTableExtractor
from spire.xls import Workbook, FileFormat, HorizontalAlignType
# 創(chuàng)建一個(gè) PdfDocument 對(duì)象
pdf = PdfDocument()
# 加載一個(gè) PDF 文檔
pdf.LoadFromFile("Sample.pdf")
# 創(chuàng)建一個(gè) Workbook 對(duì)象
workbook = Workbook()
# 清除默認(rèn)的工作表
workbook.Worksheets.Clear()
# 創(chuàng)建一個(gè) PdfTableExtractor 對(duì)象
extractor = PdfTableExtractor(pdf)
# 從每個(gè) PDF 頁(yè)面中提取表格
for pageIndex in range(pdf.Pages.Count):
tables = extractor.ExtractTable(pageIndex)
# 如果存在多個(gè)表格，則遍歷這些表格
if tables is not None:
for tableIndex in range(len(tables)):
# 獲取一個(gè)表格
table = tables[tableIndex]
# 為表格創(chuàng)建一個(gè)工作表
sheet = workbook.Worksheets.Add(f"Page{pageIndex + 1}-Table{tableIndex + 1}")
# 遍歷表格的行和列
for rowIndex in range(table.GetRowCount()):
for colIndex in range(table.GetColumnCount()):
# 獲取單元格值
text = table.GetText(rowIndex, colIndex)
cellText = text.replace("\n", "")
# 將單元格值寫入工作表的相應(yīng)單元格
sheet.Range[rowIndex + 1, colIndex + 1].Text = cellText
# 可選：自定義表格的外觀
# 設(shè)置標(biāo)題行樣式
sheet.Rows.get_Item(0).Style.Font.FontName = "Yu Gothic UI"
sheet.Rows.get_Item(0).Style.Font.Size = 12
sheet.Rows.get_Item(0).Style.Font.IsBold = True
sheet.Rows.get_Item(0).Style.HorizontalAlignment = HorizontalAlignType.Center
# 設(shè)置數(shù)據(jù)行樣式
for i in range(1, sheet.Rows.Count):
sheet.Rows.get_Item(i).Style.Font.FontName = "Yu Gothic UI"
sheet.Rows.get_Item(i).Style.Font.Size = 12
sheet.Rows.get_Item(i).Style.HorizontalAlignment = HorizontalAlignType.Left
# 自動(dòng)調(diào)整列寬
for j in range(1, sheet.Columns.Count):
sheet.AutoFitColumn(j)
# 保存工作簿
workbook.SaveToFile("output/PDFTableToExcel.xlsx", FileFormat.Version2016)
# 釋放資源
workbook.Dispose()
pdf.Close()
輸出結(jié)果
使用Python直接將PDF轉(zhuǎn)換為Excel文件
還可以使用PdfDocument.SaveToFile(fileName: str, FileFormat.XLSX)方法將PDF文檔直接轉(zhuǎn)換為Excel文件。此方法適用于以表格為主的PDF文檔，有助于盡可能保留表格的原始外觀。
為減少轉(zhuǎn)換后Excel表格中的空白，可以在轉(zhuǎn)換前去除PDF文檔的邊距。參考以下文章：
直接將PDF文檔轉(zhuǎn)換為Excel文件的具體步驟如下：
1.導(dǎo)入所需模塊：PdfDocument和FileFormat。
2.創(chuàng)建一個(gè)PdfDocument實(shí)例。
3.使用PdfDocument.LoadFromFile()方法加載PDF文檔。
4.將文檔轉(zhuǎn)換為Excel文件并使用PdfDocument.SaveToFile(fileName: str, FileFormat.XLSX)方法保存。
5.釋放資源。
代碼示例
from spire.pdf import PdfDocument, FileFormat
# 創(chuàng)建一個(gè) PdfDocument 實(shí)例
pdf = PdfDocument()
# 加載一個(gè) PDF 文檔
pdf.LoadFromFile("Sample.pdf")
# 將 PDF 文檔轉(zhuǎn)換為 Excel 文件
pdf.SaveToFile("output/PDFToExcel.xlsx", FileFormat.XLSX)
# 關(guān)閉 PDF 文檔
pdf.Close()
輸出結(jié)果
到此這篇關(guān)于使用Python將PDF表格提取到文本,CSV和Excel文件中的文章就介紹到這了,更多相關(guān)Python PDF表格提取內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
這篇文章主要介紹了淺談pytorch中的BN層的注意事項(xiàng)，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來(lái)看看吧2020-06-06
Playwright是由微軟公司2020年初發(fā)布的新一代自動(dòng)化測(cè)試工具，相較于目前最常用的Selenium，本文就詳細(xì)的介紹一下快速上手指南，對(duì)新手有一定的幫助，感興趣的可以了解一下2021-12-12
今天小編就為大家分享一篇基于python plotly交互式圖表大全，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來(lái)看看吧2019-12-12
這篇文章主要為大家詳細(xì)介紹了Python如何利用flask操作Redis，文中的示例代碼講解詳細(xì)，對(duì)我們學(xué)習(xí)Python有一定的幫助，需要的可以參考一下2023-02-02
python 爬取騰訊視頻評(píng)論的實(shí)現(xiàn)步驟
這篇文章主要介紹了python 爬取騰訊視頻評(píng)論的實(shí)現(xiàn)步驟，幫助大家更好的理解和學(xué)習(xí)使用python爬蟲，感興趣的朋友可以了解下2021-02-02
這篇文章主要為大家詳細(xì)介紹了Python中函數(shù)的基本使用教程，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下，希望能夠給你帶來(lái)幫助2022-04-04
這篇文章主要介紹了Python中的裝飾器,是Python入門學(xué)習(xí)中的基礎(chǔ)知識(shí),需要的朋友可以參考下2015-07-07
Python抓新型冠狀病毒肺炎疫情數(shù)據(jù)并繪制全國(guó)疫情分布的代碼實(shí)例
在本篇文章里小編給大家整理了一篇關(guān)于Python抓新型冠狀病毒肺炎疫情數(shù)據(jù)并繪制全國(guó)疫情分布的代碼實(shí)例，有興趣的朋友們可以學(xué)習(xí)下。2020-02-02
python實(shí)現(xiàn)DNS正向查詢、反向查詢的例子
這篇文章主要介紹了python實(shí)現(xiàn)DNS正向查詢、反向查詢的例子,需要的朋友可以參考下2014-04-04
pandas.DataFrame刪除/選取含有特定數(shù)值的行或列實(shí)例
今天小編就為大家分享一篇pandas.DataFrame刪除/選取含有特定數(shù)值的行或列實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來(lái)看看吧2018-11-11