python用pdfplumber提取pdf表格数据并保存到excel文件中

在实际研究中我们经常需要获取大量数据,而这些数据很大一部分以pdf表格的形式呈现,如公司年报、发行上市公告等,下面这篇文章主要给大家介绍了关于利用python提取pdf表格数据并保存到excel文件中的相关资料,需要的朋友可以参考下

pdfplumber操作pdf文件

python开源库pdfplumber，可以较为方便地获取pdf的各种信息，包含pdf的基本信息（作者、创建时间、修改时间…）及表格、文本、图片等信息，基本可以满足较为简单的格式转换功能。

一、pdfplumber安装及导入

跟其他包一样，支持使用pip安装，安装命令：

pip install pdfplumber

安装成功后，可直接用import导入，导入命令：

import pdfplumber

二、pdfplumber基础使用

1、基础知识

（1）pdfplumber有2个基础类

PDF和Page，PDF用来处理整个文档，Page用来处理整个页面。

类	用法简介
pdfplumber.PDF	.metadata，获取pdf基础信息，返回字典格式，包含作者、创建时间等。 .pages，返回pdfplumber.Page实例的列表，每一个实例包含pdf每一页的信息
pdfplumber.Page	pdfplumber核心功能，对PDF的大部分操作都是基于这个类，包括提取文本、表格等

（2）pdfplumber读取pdf文件方式

pdfplumber.open(‘文件路径’)，返回pdfplumber.PDF类的实例。

如果pdf有密码，加入password参数：

pdfplumber.open(‘文件路径’,password=‘密码’)

2、获取pdf基础信息

读取pdf文件，并输出pdf文件的基础信息

import pdfplumber # 打开pdf文件，有密码加入password参数 pdf_info =pdfplumber.open(r'test.pdf') meta_data = pdf_info.metadata  # pdf的基础信息 page_con = len(pdf_info.pages)  # 获取pdf的总页数 print('pdf文件的基础信息：\n', meta_data) print('pdf共%s页' % page_con)

3、pdfplumber提取表格数据

提取表格数据主要用到extract_tables()和extract_table()两种方法，这两种提取方式各有不同。

用以下pdf文档，作为演示文档。

（1）extract_tables()方法

输出文档所有表格，返回一个嵌套列表，其结构层次为table-row-cell。如：

#extract_tables()用法 with pdfplumber.open(r'test.pdf') as pdf_info:  # 打开pdf文件 page_one = pdf_info.pages[0]  # 选择第一页 page_one_table =page_one.extract_tables()  # 获取pdf文档第一页的所有表格数据 for row in page_one_table: print('第一页的表格数据：', row)

（2）、extact_table()方法

不会返回文档的所有表格，仅返回行数最多的表格数据，如存在多个行数相等的表格，则默认输出顶部表格数据。返回的数据结构层次为row-cell，表格的每一行都为一个单独的列表，列表中的元素即为原表格的各个单元格的数据。如：

# extract_table()用法 with pdfplumber.open(r'test.pdf') as pdf_info:  # 打开pdf文件 page_one = pdf_info.pages[0]  # 选择第一页 page_one_table = page_one.extract_table() for row in page_one_table: print(row)

三、提取pdf表格数据并保存到excel中

完整版，提取pdf表格数据并保存到excel中

import pdfplumber from openpyxl import Workbook class PDF(object): def __init__(self, file_path): self.pdf_path = file_path # 读取pdf文件 try: self.pdf_info = pdfplumber.open(self.pdf_path) print('读取文件完成！') except Exception as e: print('读取文件失败：', e) # 打印pdf的基本信息、返回字典，作者、创建时间、修改时间/总页数 def get_pdf(self): pdf_info = self.pdf_info.metadata pdf_page = len(self.pdf_info.pages) print('pdf共%s页' % pdf_page) print("pdf文件基本信息：\n", pdf_info) self.close_pdf() # 提取表格数据,并保存到excel中 def get_table(self): wb = Workbook()  # 实例化一个工作簿对象 ws = wb.active  # 获取第一个sheet con = 0 try: # 获取每一页的表格中的文字，返回table、row、cell格式：[[[row1],[row2]]] for page in self.pdf_info.pages: for table in page.extract_tables(): for row in table: # 对每个单元格的字符进行简单清洗处理 row_list = [cell.replace('\n', ' ') if cell else '' for cell in row] ws.append(row_list)  # 写入数据 con += 1 print('---------------分割线,第%s页---------------' % con) except Exception as e: print('报错：', e) finally: wb.save('\\'.join(self.pdf_path.split('\\')[:-1]) + '\pdf_excel.xlsx') print('写入完成！') self.close_pdf() # 关闭文件 def close_pdf(self): self.pdf_info.close() if __name__ == "__main__": file_path = input('请输入pdf文件路径：') pdf_info = PDF(file_path) # pdf_info.get_pdf() # 打印pdf基础信息 # 提取pdf表格数据并保存到excel中,文件保存到跟pdf同一文件路径下 pdf_info.get_table()