快捷導(dǎo)航

python實(shí)現(xiàn)PDF中表格轉(zhuǎn)化為Excel的方法

更新時(shí)間：2020年06月16日 17:02:48 作者：ziyin_2013

這篇文章主要為大家詳細(xì)介紹了python實(shí)現(xiàn)PDF中表格轉(zhuǎn)化為Excel的方法，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下

這幾天想統(tǒng)計(jì)一下《中國人文社會(huì)科學(xué)期刊 AMI 綜合評價(jià)報(bào)告（2018 年）：A 刊評價(jià)報(bào)告》中的期刊，但是只找到了該報(bào)告的PDF版，對于表格的編輯不太方便，于是想到用Python將表格轉(zhuǎn)成Excel格式。

看過別人寫的博客，發(fā)現(xiàn)Python解析PDF有以下四種方式：

-pdfminer:擅長文字的解析，把表格解析成普通的文本，沒有格式；
-pdf2html:把pdf解析成html，但html的標(biāo)簽并沒有規(guī)律，解析一個(gè)表格還可以，多個(gè)表格的話不太好提取；
-tabula:對于簡單的表格，即單元格中沒有換行的，表頭表尾形式不復(fù)雜的，使用比較方便。但是單腦需要Java環(huán)境；
-pdfplumber:是一個(gè)可以處理pdf格式信息的庫。可以查找關(guān)于每個(gè)文本字符、矩陣、和行的詳細(xì)信息，也可以對表格進(jìn)行提取并進(jìn)行可視化調(diào)試。

本文采用pdfplumber庫讀取PDF中的表格，運(yùn)行環(huán)境：Python3.5.2，Anaconda4.2.0。首先簡單介紹一下pdfplumber庫：

-pdfplumber.pdf中包含了.metadata和.pages兩個(gè)屬性：
.metadata是一個(gè)包含pdf信息的字典。
.pages是一個(gè)包含頁面信息的列表。

-pdfplumber.page的類中包含的主要的屬性：

.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(gè)都是一個(gè)列表，每個(gè)列表都包含一個(gè)字典，每個(gè)字典用于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為的那個(gè)字符串。
.extract_words() 返回的是所有的單詞及其相關(guān)信息。
.extract_tables() 提取頁面的表格。
.to_image() 用于可視化調(diào)試時(shí)，返回PageImage類的一個(gè)實(shí)例。

import pdfplumber
import pandas as pd

path = 'test.pdf'
pdf = pdfplumber.open(path)
i=1
#writer=pd.ExcelWriter('output.xlsx')
df=pd.DataFrame(columns=['序號','刊名','主辦單位','等級'])
sheetname=['考古文博','歷史學(xué)','馬克思主義理論','民族學(xué)與文化學(xué)','文學(xué)-外國文學(xué)','文學(xué)-中國文學(xué)','藝術(shù)學(xué)','語言學(xué)','哲學(xué)','宗教學(xué)','法學(xué)'
   ,'管理學(xué)','環(huán)境科學(xué)','教育學(xué)','經(jīng)濟(jì)學(xué)-財(cái)政科學(xué)','經(jīng)濟(jì)學(xué)-工業(yè)經(jīng)濟(jì)','經(jīng)濟(jì)學(xué)-金融','經(jīng)濟(jì)學(xué)-經(jīng)濟(jì)管理','經(jīng)濟(jì)學(xué)-經(jīng)濟(jì)綜合','經(jīng)濟(jì)學(xué)-貿(mào)易經(jīng)濟(jì)'
   ,'經(jīng)濟(jì)學(xué)-農(nóng)業(yè)經(jīng)濟(jì)','經(jīng)濟(jì)學(xué)-世界經(jīng)濟(jì)','人文地理學(xué)','社會(huì)學(xué)','體育學(xué)','統(tǒng)計(jì)學(xué)','圖書館情報(bào)與檔案學(xué)','心理學(xué)','新聞學(xué)與傳播學(xué)'
   ,'政治學(xué)-國際政治','政治學(xué)-中國政治','綜合-高校綜合性學(xué)報(bào)','綜合-綜合性人文社科期刊']
   
##由于存在一個(gè)表格跨頁的情況，先將所有表格存放在一個(gè)DataFrame中，再根據(jù)序號拆分。

for page in pdf.pages[17:59]:
 print (page)
 # 獲取當(dāng)前頁面的全部文本信息，包括表格中的文字
 # print(page.extract_text())
 for table in page.extract_tables():
  #print(table)
  df=df.append(pd.DataFrame(table[1:],columns=table[0]),ignore_index=True)
print (df)

writer=pd.ExcelWriter('output3.xlsx')
new_df=pd.DataFrame()
j=1
index=[]
#記錄序號==1的行索引，用于后面的表格拆分
for i in range(len(df)):
 if df.ix[i,0]=='1':
  index.append(i)
  print ("################")
index.append(len(df))
#print (index)

#按行索引將內(nèi)容切片并逐個(gè)添加到表中
for t in range(len(index)-1):
 new_df=df.ix[index[t]:index[t+1]-1,:]
 #print (new_df)
 new_df.to_excel(writer,sheet_name=sheetname[t],encoding='gb2312',index=None)
writer.save()
pdf.close()
print('finished')

最終保存為Excel。