使用pdfplumber讀取PDF

 

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。

Pdfplumber
ImageMagick
GhostScript

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)

學習資源1
學習資源2