基于Python快速处理PDF表格数据
作者：其实还好啦 发布时间：2021-04-11 23:29:54
我们有下面一张PDF格式存储的表格，现在需要使用Python将它提取出来。
使用Python提取表格数据需要使用pdfplumber模块，打开CMD，安装代码如下：
pip install pdfplumber
安装完之后，将需要使用的模块导入
import pdfplumberimport pandas as pd
然后打开PDF文件
# 使用with语句打开pdf文件
with pdfplumber.open("D:\\python\\cai\\yq.pdf") as pdf:
# pages[0]表示取第1页
page = pdf.pages[0]
我们来打印输出下获取到的文本，这句语句只是帮我们验证下是否成功获取到PDF里的内容
print(page.extract_text())
执行的结果如下，看来是成功了
然后可以使用extract_table()函数获取表格，如果有多个表格，可以使用extract_tables()函数，就是多了个s
d1=page.extract_table()
执行代码后，将得到一个列表，还不是数据框
所以最后一步就是将列表转为数据框就可以了，代码如下：
df = pd.DataFrame(d1[1:], columns=d1[0])
执行代码后，将得到了df数据框
有几个注意事项要提醒下：
1.pdf表格中的数据，对于同一个数据或内容，不要有换行，如果换行，可能被识别为2个数据；
2.pdf中的表格一定要有边框，没有边框的话，否则使用extract_table()函数就无法获取表格数据，extract_text()还是可以获取文本信息的，不要问我是怎么知道的，说多了都是泪。
我们现在有一份PDF数据，里面有三页，每页都有一样数据结构但数据不同的数据表，现在需要使用Python将它批量提取出来。
有了上回经验，我们就直接上代码：
import pdfplumber
import pandas as pd
# 创建一个空数据框
df = pd.DataFrame()
# 使用with语句打开pdf文件
with pdfplumber.open("D:\\python\\cai\\5.pdf") as pdf:
# 使用for循环遍历每个pages
for page in pdf.pages:
# 取出当前页表格，结果为列表
d=page.extract_table()
# 将列表转为数据框
df1 = pd.DataFrame(d[1:], columns=d[0])
#添加至df数据框中
df = df.append(df1)
执行代码后，将得到了df数据框
是不是so easy 呢？
来源：https://www.cnblogs.com/python0921/p/12965135.html
0
投稿猜你喜欢
本来想着做一个将图片识别为文字的小功能，本想到Google上面第一页全是各种收费平台的广告。这些平台提供的基本都是让我们通过调用相关的三方接- 本文实例讲述了Python实现获取本地及远程图片大小的方法。分享给大家供大家参考，具体如下：了解过Pillow的都知道，Pillow是一个非
- 在学校修管理学的时候，有讲过一个管理激励的理论。管理激励是基于行为和认知科学的研究，来发现人们的需要、动机、目标和行为四者之间关系的核心理论
- 一、简介eval()函数用来执行一个字符表达式的值，并返回表达式的值二、语法具体语法：eval(expression[, globals[,
- 迭代dict的key和value我们了解了如何迭代 dict 的key和value，那么，在一个 for 循环中，能否同时迭代 key和va
- 如下所示：>>> import pandas as pd>>> import numpy as np&g
- 前言得益于 Vite 卓越的前端开发体验，越来越多的 Electron 项目也开始应用它来构建开发。翻阅各种社区资源可以发现很多基于 Vit
- 本文实例为大家分享了JS中FormData类实现文件上传的具体代码，供大家参考，具体内容如下上篇文章讲到了FormReader类实现文件上传
- 译者按：原文写于2011年末，虽然文中关于Python 3的一些说法可以说已经不成立了，但是作为一篇面向从其他语言转型到Python的程序员
- MySQL 中，可以为某张表指定多个索引，但在语句具体执行时，选用哪个索引是由 MySQL 中执行器确定的。那么执行器选择索引的原则是什么，
- 【摘 要】 我只是提供我几个我认为有助于提高写高性能的asp.net应用程序的技巧，本文提到的提高asp.net性能的技巧只是一个起步，更多
- 本文实例讲述了javascript实现多栏闭合展开式广告位菜单效果。分享给大家供大家参考。具体如下：从操作方式上来说，有似曾相识的感觉，有点
- 近期，有小伙伴问我关于怎么使用python进行散点图的绘制，这个东西很简单，但是怎么讲相关性的值标注在图形上略显麻烦，因此，在这里记录一下，
- 一、两表之间若有关联，你是否还在用主键进行关联？ 比如现在有2张表，一张新闻栏目表，一张新闻表，现在两张表需要进行关联，我想大多数人的做法肯
- 本文实例讲述了Python实现多条件筛选目标数据功能。分享给大家供大家参考，具体如下：python中提供了一些数据过滤功能，可以使用内建函数
- 本文实例讲述了Yii配置与使用memcached缓存的方法。分享给大家供大家参考，具体如下：1. 下载memcached软件包，解压，把me
- 使用场景已搭建了PyPI私有库，上传公共库包含静态文件，如需要使用sql静态文件初始化数据库。打包python包，给其他人使用，但项目中包含
- 前言实现类似SQL的join操作，通过pd.merge()方法可以自由灵活地操作各种逻辑的数据连接、合并等操作可以将两个DataFrame或
- 这段时间，关于asp的前途，关于asp的好坏的讨论贴，都有好些了。当然，大家的心都是好的，但是一些朋友说的话，真是让人郁闷。个人觉得，在现在
- Python 多进程和数据传递的理解python不仅线程用的是系统原生线程，进程也是用的原生进程进程的用法和线程大同小异import mul
