最近在实际工作中，项目中的需求文档是PDF格式，但PDF文档中有大量的表格，如需求数据、需求清单等，
大家也知道在PDF文档中查看、操作表格都不方便，就想着写一个小工具：读取PDF文档中的表格生成EXCEL文件
这样，在EXCEL文件中就可以随心所欲的操作了。
综合比较后，觉得pdfplumber可以满足我的要求。
源码地址
基于pdfminer.six 开发，目前已在Python 3.6、3.7和3.8上测试通过。
pdfplumber可以方便地获取pdf的各种信息，包括文本、表格、图表、尺寸等。
针对pdfplumber，只需要记住如下：
- 是一个纯python第三方库，适合python 3.x版本
- 用来查看pdf各类信息，能有效提取文本、表格
- 不支持修改或生成pdf，也不支持对pdf扫描件的处理
- pdfplumber作者持续在维护该库，其它的如pdfminer、PyPDF2可能不再被维护
安装方式如下:
pip install pdfplumber -i https://pypi.tuna.tsinghua.edu.cn/simple/pdfplumber功能介绍
详细功能介绍 请参见 https://github.com/jsvine/pdfplumber
顶级的pdfplumber.PDF类表示一个PDF文档，具有如下两个主要属性:
- .metadata是一个包含pdf信息的字典，通常包括“CreationDate”、“ModDate”、“Producer”等等
- .pages是一个包含页面信息的列表。
pdfplumber.Page类是pdfplumber的核心。使用pdfplumber做的大多数事情都将围绕这个类进行。它有以下主要属性:
- .page_number 页码, 按顺序排列的页码，第一页为1，第二页为2，依此类推。
- .width 页面宽度
- .height 页面高度
- .objects/.chars/.lines/.rects
- 每个属性都是一个列表，并且每个列表包含页面中嵌入的每个对象的一个字典
- 每个字典用于说明页面中的对象信息， 包括直线，字符， 方格等位置信息。
常用方法
- .extract_text() 用来提页面中的文本，将页面的所有字符对象排序为单个字符串
- .extract_words() 返回的是所有的单词及其相关信息
- .extract_tables() 提取页面的表格
- .to_image() 用于可视化调试时，返回PageImage类的一个实例
import pdfplumber
import pandas as pd
# 将换行符替换为空
def trip(content):
if content is None:
return ''
return content.replace('n', '').replace('r', '')
path = '/文档路径/文档名称.pdf'
pdf = pdfplumber.open(path)
#定义表格的header: 字段名称集合，需要替换为实际的
colNames = ['序号', '姓名', '性别', '地址', '民族', '国籍', '收货地址']
df = pd.Dataframe(columns=colNames)
# 定义要读取的表格在文档中的页码范围，注意范围是(..] 前开后闭区间
for page in pdf.pages[1720:1762]:
for table in page.extract_tables():
df = df.append(pd.Dataframe(table[1:], columns=colNames), ignore_index=True)
#去除内容中换行符
for colName in colNames:
df[colName] = df[colName].apply(trip)
df.to_excel("xxx表格.xlsx")
