pdfplumber提取pdf中的表格数据

965次阅读
没有评论

之前讲过的pdfplumber模块,可以用来提取pdf中的表格数据。今天小编就为大家带来实例讲解。

作为一个强大的pdf文件解析工具,pdfplumber库可迅速将pdf文档转换为易于处理的txt文档,并输出pdf文档的字符、页面、页码等信息,还可进行页面可视化操作。使用pdfplumber库前需先安装,即在cmd命令行中输入:

pip install pdfplumber

</pre>
pdfplumber库提供了两种pdf表格提取函数,分别为.extract_tables( )及.extract_table( ),两种函数提取结果存在差异。为进行演示,我们网站上下载了一份短期融资券主体信用评级报告,为pdf格式。任意选取某一表格,其界面如下:

<img loading="lazy" class="aligncenter size-full wp-image-11156" src="https://www.python51.com/wp-content/uploads/2021/04/1603875927562419.png" width="505" height="691" srcset="https://www.python51.com/wp-content/uploads/2021/04/1603875927562419.png 505w, https://www.python51.com/wp-content/uploads/2021/04/1603875927562419-110x150.png 110w, https://www.python51.com/wp-content/uploads/2021/04/1603875927562419-183x250.png 183w" sizes="(max-width: 505px) 100vw, 505px" />

 

(1).extract_tables( )

 

可输出页面中所有表格,并返回一个嵌套列表,其结构层次为table→row→cell。此时,页面上的整个表格被放入一个大列表中,原表格中的各行组成该大列表中的各个子列表。若需输出单个外层列表元素,得到的便是由原表格同一行元素构成的列表。例如,我们执行如下程序:

import pdfplumber
with pdfplumber.open(r’F:python财务报表主体评级报告.pdf’)  as pdf:
page = pdf.pages[45]    #设置操作页面
for row inpage.extract_tables() :
print(row)
print(row[0])   #打印外层列表第一个元素
<pre class="brush:js;toolbar:false">

 

输出结果:

 

pdfplumber提取pdf中的表格数据

 

(2).extract_table( )

 

返回多个独立列表,其结构层次为row→cell。若页面中存在多个行数相同的表格,则默认输出顶部表格;否则,仅输出行数最多的一个表格。此时,表格的每一行都作为一个单独的列表,列表中每个元素即为原表格的各个单元格内容。若需输出某个元素,得到的便是具体的数值或字符串。如下:

with pdfplumber.open(r’F:python财务报表主体评级报告.pdf’) as pdf: page = pdf.pages[45] for row in page.extract_table() : print(row) print(row[0])      #打印每个列表对应的第一个元素


 

输出结果:

 

pdfplumber提取pdf中的表格数据

 

今天的分享到这里就结束啦。

神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试

相关文章:

版权声明:wuyou2021-06-08发表,共计976字。
新手QQ群:570568346,欢迎进群讨论 Python51学习