一般我们经常会遇见一种情况：把一个pdf里面的表格需要整理到excel，很多人可能会想到用ABBYY等软件，但是如果是企业用就要小心了，目前市面上的大部分软件是商用收费的，但是我们也可以用开源的软件来试先这个过程，比如： Pdfplumber！

Pdfplumber是一个可以处理pdf文件的python库，可以查找文本字符、矩阵、和行的详细信息，也可以对表格进行提取等操作，非常方便。

安装：pip install pdfplumber

安装完成后在终端输入：pdfplumber --help可以产看帮助信息


使用说明: pdfplumber [-h] [--format {csv,json}]
                  [--types {char,rect,line,curve,image,annot} [{char,rect,line,curve,image,annot} ...]]
                  [--pages PAGES [PAGES ...]] [--indent INDENT]
                  [infile]

必要参数:
  infile

可选参数:
  -h, --help            显示帮助信息
  --format {csv,json}   csv or json，json格式返回更多信息； 它包含PDF级别的元数据(metadata)和每个页面的高度/宽度信息。
  --types {char,rect,line,curve,image,annot} [{char,rect,line,curve,image,annot} ...]
  --pages PAGES [PAGES ...] 一个以空格分隔，以1索引开头的页面或带连字符的页面范围的列表。
  --indent INDENT       JSON美化标准

下面用一个示例演示表格提取：

示例文件（后面将用 Pdfplumber 提取本表单）下载
官方示例文件

# 简单的示例
import pdfplumber
import pandas as pd

with pdfplumber.open("background-checks.pdf") as pdf:
    # 提取第一页文字信息
    page = pdf.pages[0]
    text = page.extract_text()
    print(text)
    # 提取第一页表格信息
    table = page.extract_tables()
    for t in table:
        # 转化成DataFrame
        df = pd.DataFrame(t[1:], columns=t[0])
        # 将表格输出到csv文件
        df.to_csv("background-checks-table.csv")
        print(df)

总体来说识别效果还是很好的，表头由于有很多合并列，所以输出csv的时候会有错位。同时 pdfplumber 提供了debug功能，能够获取pdf页面中的表格，可以对其进行调整，以优化识别的情况 ，更多详细可以参考官方github。

参考资料：

1.https://github.com/jsvine/pdfplumber

阅读: 1,145