一键提取pdf中的表格

前言：

        因工作需要，现在需要将pdf中的表格原封不对的输出csv或者数据库表，然后开启了苦逼的调研之路。经过调研，目前支持从可编辑pdf中读取出表格的Python库有：pdfminer3k、tabula、pdfplumber 等。三个库都有瑕疵。但是比好用的话我还是更偏向 pdfplumber 。自我感觉pdfplumber 简单易于实现功能。下面文章是关于 pdfplumber 的介绍。如对另外两个Python库感兴趣的话可以自行查看相关资料。对于pdf中非可编辑（图片中表格识别）问题，可能这个库就帮不上你什么忙了。

目录

一、pdfplumber介绍

        1.1、介绍

        1.2、代码开源git地址

        1.3、官方文档

        1.4、安装方式

二、简单使用

        2.1、数据集介绍

        2.2、代码实现

        3.3、结果输出

一、pdfplumber介绍

        1.1、介绍

                先看一段官方介绍：pdfplumber支持垂直查看PDF，查看每个文本字符、矩形和行的详细信息。 附加功能：表提取和可视化调试。最适合机器生成的，而不是扫描的pdf文件。总体来说pdfplumber是一个集多种功能为一身的pdf处理工具。             

        1.2、代码开源git地址

            GitHub - jsvine/pdfplumber: Plumb a PDF for detailed information about each char, rectangle, line, et cetera — and easily extract text and tables.

        1.3、官方文档

pdfplumber · PyPI

        1.4、安装方式

pip install pdfplumber

二、简单使用

        2.1、数据集介绍

                数据为交易流水，pdf表格为可编辑。目的是将表格里的数据提取出来。

​

        2.2、代码实现

import pdfplumber

# path = 'D:\202104147187110045_1.pdf'
path = '../recognize_img/demo_img/有框表格可编辑.pdf'
pdf = pdfplumber.open(path)


# 获取pdf页数对象
print(pdf.pages)    # []


count = 0
for page in pdf.pages:
    count += 1
    #  page.extract_text()可以抓取当前页的全部信息，因为内容较多就先注释。
    # print(page.extract_text())

    for table in page.extract_tables():
        for row in table:
            print(row)
        print(f'============ 第{count}页解析结束 ============')



# 转为dataframe输出
# pass


pdf.close()

        3.3、结果输出

                结果是以每行列表的形式输出的。如果有需要csv或者数据库需求的话，可以先将下面的数据转为dataframe，然后再输出到目标源。

​