python提取pdf表格,并保存到excel中

pdf是一种便携式文档格式,因为不少pdf工具是需要收费的,介绍一个开源python工具库,
pdfplumber,可以方便的获取pdf的各种信息,包括文本、表格、图表、尺寸等。

这个是我创建的pdf,数据都是随意创建的
接下来要提取这个表格
第一步：使用pdfplumber提取表格文本

import pdfplumber


# 读取pdf文件,保存为pdf实例
pdf = pdfplumber.open('test.pdf')

# 访问第一页
first_page = pdf.pages[0]

# 自动读取表格信息,返回列表
table = first_page.extract_table()

print(table)

第二步：整理成dataframe格式,保存为excel

import pandas as pd

# 将列表转化为dataframe
table_data = pd.DataFrame(table[1:],columns=table[0])

# 保存为excel
table_data.to_excel('test_pdf.xlsx',index=False)

pdfplumber简介
安装命令

pip install pdfplumber

pdfplumber中有两个基础类,PDF和Page
PDF是处理整个文档,Page则是处理页面

import pdfplumber

# 读取pdf文件,返回pdfplumber.PDF类的实例
pdf = pdfplumber.open('test.pdf')

# 获取该pdf文档的信息
# 通过metadata属性获取pdf信息
print(pdf.metadata)

返回pdf的基础信息,包括作者,来源,日期等

# 总页数 通过pdfplumber.PDF类的metadata属性获取pdf页数
len(pdf.pages)

# 读取文本
test = first_page.extract_text()

返回文本使用extract_text()
返回表格使用extract_table()
这个库挺强大的,所以细节方面还需自行研究,其中支持对图标可视化调试,可输出图像