使用pdfplumber提取pdf中的文字
一、安装 pdfplumber
pdfplumber 是一个 Python 库，必须通过 pip 安装才能在 Python 代码中进行使用。使用以下命令在 Python 中安装 pdfplumber。
pip install pdfplumber
二、用 pdfplumber 打开 PDF 文档
在 Python 中使用 pdfplumber 打开 PDF 文档的方法非常简单。只需要调用 pdfplumber 的 open 方法并传递 PDF 文件的路径。
import pdfplumber
with pdfplumber.open("example.pdf") as pdf:
# do something with pdf
三、提取文本
使用 pdfplumber 可以很容易地提取文档中的文本内容。对于一个页面，你可以使用 extract_text() 方法来提取页面上的文本。
with pdfplumber.open("example.pdf") as pdf:
for i, page in enumerate(pdf.pages):
text = page.extract_text()
print(f"This is the text on page {i}:")
print(text)
使用 extract_text() 方法会返回一个字符串，其中包含页面中的所有文本。如果你只想提取页面的一部分文本，可以将提取的区域作为参数传递给 extract_text() 方法。
四、提取表格
如果 PDF 文档中包含表格，则可以使用 pdfplumber 将表格提取为 Pandas DataFrame 对象，并对其进行进一步处理。
首先，我们需要用 extract_tables() 方法来提取所有表格。
with pdfplumber.open("example.pdf") as pdf:
for i, page in enumerate(pdf.pages):
tables = page.extract_tables()
for table in tables:
df = pd.DataFrame(table[1:], columns=table[0])
print("This is a table on page ",i)
print(df.head())
extract_tables() 方法将返回一个列表，其中包含每个表格的列表，每个表格都是一个嵌套列表。在将表格转换为 DataFrame 之前，请确保在第一行包含表头。
五、转换为图像
在某些情况下，你可能需要将 PDF 页面转换为图像格式，例如 PNG 或 JPEG。使用 pdfplumber 可以很容易地实现这一点。
首先，我们需要使用 Page 对象的 render() 方法将页面渲染为图像。
with pdfplumber.open("example.pdf") as pdf:
for i, page in enumerate(pdf.pages):
im = page.to_image(resolution=150)
im.save("page-{}.png".format(i), format="png")
render() 方法将返回一个 PageImage 对象，你可以使用该对象的 save() 方法将图像保存到文件。在 save() 方法中指定文件名和所需的图像格式。