python抽取pdf中內容

這兩天一直在windows上做用python（版本是3.6）抽取pdf中內容的東西，主要就是從pdf中提取出裏面的字體和表格內容。嘗試了好些個庫，現在算是找到比較符合我需求（比較好用）的pdf解析的了。在這個過程中，用了以下幾個庫：

1. PDFminer

   1. PDFminer算是一個還算不錯的吧，安裝直接用pip安裝就行。如下：

      pip install pdfminer3k

      它這個對pdf中內容做了好些個對象，用這些對象來存儲不同的信息，比如表格有LTFigure對象存儲、文本有LTTextBoxHorizontal對象來存儲。對於文本的提取，基本上都是通過畫框提取的，所以提取出的text都是一行一行返回的。這樣的後果就是說不清明明是一句話，卻被分成兩行或三行顯示。比如我現在做的，對行、句子比較敏感，不能將所有的行連在一起，所以在提取出結果後，還需要對結果進行處理，以達到我們的目的。

   2. 看它說明應該是可以提取出裏面表格的，但無論在哪也沒找到他這個表格要怎麼操作，怎麼把裏面內容拿出來，所以就沒有用它，轉而去尋找其它的工具。

2. tabula

   1. 在網上看大夥對這個都還挺推崇的，是專門用來提取pdf中表格的一個工具庫。安裝的話，也是直接使用pip即可，如下：

      pip install tabula-py

      因爲它是依賴於java的，所以要是電腦上沒有java環境的話，需要配置一下，將java的所在的安裝目錄加到環境變量PATH中。

   2. 但是，怎麼說呢，不知道我使用的有問題還是怎麼樣，表格中幾個格合併成的單元格讀取的時候，會出問題。

3. pdfplumber

   1. 這個是我現在用的，個人覺得還是比較好用的。對於pdf中文本的抽取，原理還有效果跟PDFminer差不多。對於某一頁中文本讀取的話，直接調用pdfplumber.extract_text()就可以了。對於表格的話，也是直接調用extract_tables()就可以找到該頁中所有的表格中的內容，並且可以直接轉換成padas中Datagram的形式，就我現在測試的來看，結果基本沒有差錯。表格提取中也可以自己設置一些參數什麼的，比如設置表格的分割線是什麼類型什麼的，很是方便。表格提取的問題跟文本的相似，要是一個表格在兩頁或更多頁的話，他會把這一個表格讀成多個，所以需要我們在得到結果後，在對結果處理，把表格連接起來。

   2. 安裝的話，相比起來稍微麻煩點，需要先安裝兩個軟件：ImageMagic和Ghstscript。

      1. ImageMagic可以從下載鏈接下載，16位的更精確些，但消耗的計算機資源也相對大一些，8位的差一些，可以自己選擇，但是一定要下載的是6.X的版本。

      2. Ghostscript可以從下載鏈接下載，無論自己電腦是32還是64位的，都下載安裝32位的

      3. 上面兩個安裝結束後，就可以直接通過pip安裝pdfplumber了。

         pip install pdfplumber