python 提取pdf表格_用Python提取pdf文件中的表格数据

本文作者:杨慧琳

本文编辑:周聪聪

技术总编:张学人有问题,不要怕!访问

http://www.wuhanstring.com/uploads/5_aboutus/爬虫俱乐部-用户问题登记表.docx(复制到浏览器中)下载爬虫俱乐部用户问题登记表并按要求填写后发送至邮箱statatraining@163.com,我们会及时为您解答哟~

爬虫俱乐部的github主站正式上线了!我们的网站地址是:https://stata-club.github.io,粉丝们可以通过该网站访问过去的推文哟~

爬虫俱乐部隆重推出数据定制及处理业务,您有任何网页数据获取及处理方面的难题,请发邮件至我们邮箱statatraining@163.com,届时会有俱乐部高级会员为您排忧解难

在实际研究中,我们经常需要获取大量数据,而这些数据很大一部分以pdf表格的形式呈现,如公司年报、发行上市公告等。面对如此多的数据表格,采用手工复制黏贴的方式显然并不可取。那么如何才能高效提取出pdf文件中的表格数据呢?

Python提供了许多可用于pdf表格识别的库,如camelot、tabula、pdfplumber等。综合来看,pdfplumber库的性能较佳,能提取出完整、且相对规范的表格。因此,本推文也主要介绍pdfplumber库在pdf表格提取中的作用。

作为一个强大的pdf文件解析工具,pdfplumber库可迅速将pdf文档转换为易于处理的txt文档,并输出pdf文档的字符、页面、页码等信息,还可进行页面可视化操作。使用pdfplumber库前需先安装,即在cmd命令行中输入:

pip install pdfplumber

pdfplumber库提供了两种pdf表格提取函数,分别为.extract_tables( )及.extract_table( ),两种函数提取结果存在差异。为进行演示,我们网站上下载了一份短期融资券主体信用评级报告,为pdf格式。任意选取某一表格,其界面如下:

《python 提取pdf表格_用Python提取pdf文件中的表格数据》

接下来,我们简要分析两种提取模式下的结果差异。

(1).extract_tables( )

可输出页面中所有表格,并返回一个嵌套列表,其结构层次为table→row→cell。此时,页面上的整个表格被放入一个大列表中,原表格中的各行组成该大列表中的各个子列表。若需输出单个外层列表元素,得到的便是由原表格同一行元素构成的列表。例如,我们执行如下程序:import pdfplumberwith pdfplumber.open(r’F:\python\财务报表\主体评级报告.pdf’) as pdf:page = pdf.pages[45] #设置操作页面for row in page.extract_tables() :print(row)print(row[0]) #打印外层列表第一个元素

输出结果:

《python 提取pdf表格_用Python提取pdf文件中的表格数据》

(2).extract_table( )

返回多个独立列表,其结构层次为row→cell。若页面中存在多个行数相同的表格,则默认输出顶部表格;否则,仅输出行数最多的一个表格。此时,表格的每一行都作为一个单独的列表,列表中每个元素即为原表格的各个单元格内容。若需输出某个元素,得到的便是具体的数值或字符串。如下:with pdfplumber.open(r’F:\python\财务报表\主体评级报告.pdf’) as pdf:page = pdf.pages[45]for row in page.extract_table() :print(row)print(row[0])     #打印每个列表对应的第一个元素

输出结果:

《python 提取pdf表格_用Python提取pdf文件中的表格数据》

在此基础上,我们详细介绍如何从pdf文件中提取表格数据。其中一种思路便是将提取出的列表视为一个字符串,结合Python的正则表达式re模块进行字符串处理后,将其保存为以标准英文逗号分隔、可被Excel识别的csv格式文件,即进行如下操作:import pdfplumberimport re#提取出单个表格数据with pdfplumber.open(r’F:\python\财务报表\主体评级报告.pdf’) as pdf:page = pdf.pages[45]table = []for line in page.extract_table() :table.append(line)t0 = re.sub(‘年 份’,’年份’,str(table))t1 = re.sub(‘\], \[‘,’\n’,t0) #进行分行t2 = re.sub(‘\’\, \”,’ ‘,t1) #将各个元素用空格分隔开t3 =re.sub(‘\[\[|\]\]|\,|\’|\-‘,”,t2) #删除特殊符号等f = open(r’F:\python\财务报表\主体评级报告.csv’,’w’)f.write(re.sub(‘ ‘,’,’,t3)) #单元格元素用逗号分隔,便于分列读入Excelf.close()

输出结果:

《python 提取pdf表格_用Python提取pdf文件中的表格数据》爬虫俱乐部是您身边的科研助手,能够为您在数据处理、实证研究中提供帮助。承蒙近四万粉丝的支持与厚爱,我们在腾讯课堂推出了网络视频课程,专注于数据整理、网络爬虫、循环命令编制和结果输出…李老师及团队精彩地讲解,深入浅出,注重案例与实战,让您更加快速高效地掌握Stata技巧及数据处理的精髓,而且可以无限次重复观看,在原有课程基础上已上传了全新的内容!百分百好评,简单易学,一个月让您从入门到精通。绝对物超所值!观看学习网址:

https://ke.qq.com/course/286526?tuin=1b60b462,

    原文作者:周白之白
    原文地址: https://blog.csdn.net/weixin_31281003/article/details/112017637
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞