「这是我参与11月更文挑战的第18天,活动详情查看:2021最后一次更文挑战」。
前言
pdfplumber
是一个开源的 python
工具库 ,它可以轻松的获取 PDF
文本内容、标题、表格、尺寸等各种信息,今天来介绍如何使用它来提取 PDF
中的表格。
安装
首先通过下面命令安装 pdfplumber
模块。
pip install pdfplumber
复制代码
或是使用豆瓣镜像源安装。
pip install -i https://pypi.douban.com/simple pdfplumber
复制代码
案例
这里有一份2020年中国大学生计算机设计大赛参赛作品获奖名单,文件为 PDF
格式,每页都包含表格,表格中包含为各支队伍的获奖信息,共158页。表格前两页内容如下。 下面将 PDF
中的表格提取出来,并保存到 Excel
中。
首先导入所需要的模块:
import pdfplumber
import pandas as pd
复制代码
读取 PDF
文件
read_path = '2020年中国大学生计算机设计大赛参赛作品获奖名单.pdf'
pdf_2020 = pdfplumber.open(read_path)
复制代码
pages
属性包含 PDF
中每页的信息,循环每页内容,使用 extract_table()
方法提取每页中的表格数据,并将数据转为 DataFrame
,最后合并每页的数据。
result_df = pd.DataFrame()
for page in pdf_2020.pages:
table = page.extract_table()
df_detail = pd.DataFrame(table[1:], columns=table[0])
# 合并每页的数据集
result_df = pd.concat([df_detail, result_df], ignore_index=True)
复制代码
此时DataFrame中数据如下: 可以看到通过 extract_table()
提取后的数据有许多包含缺失值的列,我们还需要对DataFrame进行进一步处理,删除全为缺失值的列。
result_df.dropna(axis=1, how='all', inplace=True)
复制代码
删了缺失值后,列名也一并删除了,还需要指定对应列名。
result_df.columns = ['奖项', '作品编号', '作品名称', '参赛学校', '作者', '指导老师']
复制代码
到现在我们就成功将表格信息完整的提取出来了!
完整代码
import pdfplumber
import pandas as pd
def read_pdf(read_path, save_path):
pdf_2020 = pdfplumber.open(read_path)
result_df = pd.DataFrame()
for page in pdf_2020.pages:
table = page.extract_table()
print(table)
df_detail = pd.DataFrame(table[1:], columns=table[0])
result_df = pd.concat([df_detail, result_df], ignore_index=True)
result_df.dropna(axis=1, how='all', inplace=True)
result_df.columns = ['奖项', '作品编号', '作品名称', '参赛学校', '作者', '指导老师']
result_df.to_excel(excel_writer=save_path, index=False, encoding='utf-8')
read_path = r'2020年中国大学生计算机设计大赛参赛作品获奖名单.pdf'
save_path = r'2020年中国大学生计算机设计大赛参赛作品获奖名单.xlsx'
read_pdf(read_path, save_path)
复制代码
这就是今天要分享的内容,微信搜 Python新视野,每天带你了解更多有用的知识。更有整理的近千套简历模板,几百册电子书等你来领取哦!另外还有Python小白交流群,如果有兴趣可以通过上面的方式联系我哦!