pdfplumber安裝
安裝直接採用pip即可。命令行中輸入
pip install pdfplumber
如果要進行可視化的調試,則需要安裝ImageMagick
。
簡單使用
最基本的用法如下,讀取pdf中的某一頁。
import pdfplumber
with pdfplumber.open("path/to/file.pdf") as pdf:
first_page = pdf.pages[0]
print(first_page.chars[0])
pdfplumber.pdf中包含了.metadata和.pages兩個屬性。
.metadata是一個包含pdf信息的字典。
.pages是一個包含頁面信息的列表。
每個pdfplumber.page的類中包含了幾個主要的屬性。
.page_number 頁碼
.width 頁面寬度
.height 頁面高度
.objects/.chars/.lines/.rects 這些屬性中每一個都是一個列表,每個列表都包含一個字典,每個字典用於說明頁面中的對象信息, 包括直線,字符, 方格等位置信息。
一些常用的方法
.extract_text() 用來提頁面中的文本,將頁面的所有字符對象整理爲的那個字符串
.extract_words() 返回的是所有的單詞及其相關信息
.extract_tables() 提取頁面的表格
.to_image() 用於可視化調試時,返回PageImage類的一個實例
import pdfplumber
import pandas as pd
with pdfplumber.open("財務報告.pdf") as pdf:
page = pdf.pages[1] # 第一頁的信息
text = page.extract_text()
print(text)
table = page.extract_tables()
for t in table:
# 得到的table是嵌套list類型,轉化成DataFrame更加方便查看和分析
df = pd.DataFrame(t[1:], columns=t[0])
print(df)