基于Python快速处理PDF表格数据

站长资源 2024/11/28 佚名

2 0 1

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？

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。

Python,处理,PDF,表格数据

广告合作：本站广告合作请联系QQ：858582 申请时备注：广告合作（否则不回）
免责声明：本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除！

评论“基于Python快速处理PDF表格数据”

暂无评论...

P70系列延期，华为新旗舰将在下月发布

3月20日消息，近期博主@数码闲聊站透露，原定三月份发布的华为新旗舰P70系列延期发布，预计4月份上市。

而博主@定焦数码爆料，华为的P70系列在定位上已经超过了Mate60，成为了重要的旗舰系列之一。它肩负着重返影像领域顶尖的使命。那么这次P70会带来哪些令人惊艳的创新呢？
根据目前爆料的消息来看，华为P70系列将推出三个版本，其中P70和P70 Pro采用了三角形的摄像头模组设计，而P70 Art则采用了与上一代P60 Art相似的不规则形状设计。这样的外观是否好看见仁见智，但辨识度绝对拉满。

更新日志

2024年11月28日

基于Python快速处理PDF表格数据

Python小白学习爬虫常用请求报头

Python新手学习函数默认参数设置

评论“基于Python快速处理PDF表格数据”

P70系列延期，华为新旗舰将在下月发布

更新日志

友情链接