python用pdfplumber提取pdf表格数据并保存到excel文件中_Python

pdfplumber操作pdf文件

python开源库pdfplumber，可以较为方便地获取pdf的各种信息，包含pdf的基本信息（作者、创建时间、修改时间…）及表格、文本、图片等信息，基本可以满足较为简单的格式转换功能。

一、pdfplumber安装及导入

跟其他包一样，支持使用pip安装，安装命令：

pip install pdfplumber

python用pdfplumber提取pdf表格数据并保存到excel文件中

安装成功后，可直接用import导入，导入命令：

import pdfplumber

二、pdfplumber基础使用

1、基础知识

（1）pdfplumber有2个基础类

PDF和Page，PDF用来处理整个文档，Page用来处理整个页面。

类	用法简介
pdfplumber.PDF	.metadata，获取pdf基础信息，返回字典格式，包含作者、创建时间等。 .pages，返回pdfplumber.Page实例的列表，每一个实例包含pdf每一页的信息
pdfplumber.Page	pdfplumber核心功能，对PDF的大部分操作都是基于这个类，包括提取文本、表格等

（2）pdfplumber读取pdf文件方式

pdfplumber.open(‘文件路径’)，返回pdfplumber.PDF类的实例。

如果pdf有密码，加入password参数：

pdfplumber.open(‘文件路径’,password=‘密码’)

2、获取pdf基础信息

读取pdf文件，并输出pdf文件的基础信息

import pdfplumber
# 打开pdf文件，有密码加入password参数
pdf_info =pdfplumber.open(r"test.pdf")
meta_data = pdf_info.metadata  # pdf的基础信息
page_con = len(pdf_info.pages)  # 获取pdf的总页数
print("pdf文件的基础信息：
", meta_data)
print("pdf共%s页" % page_con)

python用pdfplumber提取pdf表格数据并保存到excel文件中

3、pdfplumber提取表格数据

提取表格数据主要用到extract_tables()和extract_table()两种方法，这两种提取方式各有不同。

用以下pdf文档，作为演示文档。

python用pdfplumber提取pdf表格数据并保存到excel文件中

（1）extract_tables()方法

输出文档所有表格，返回一个嵌套列表，其结构层次为table-row-cell。如：

#extract_tables()用法
with pdfplumber.open(r"test.pdf") as pdf_info:  # 打开pdf文件
    page_one = pdf_info.pages[0]  # 选择第一页
    page_one_table =page_one.extract_tables()  # 获取pdf文档第一页的所有表格数据
    for row in page_one_table:
       print("第一页的表格数据：", row)

python用pdfplumber提取pdf表格数据并保存到excel文件中
（2）、extact_table()方法

不会返回文档的所有表格，仅返回行数最多的表格数据，如存在多个行数相等的表格，则默认输出顶部表格数据。返回的数据结构层次为row-cell，表格的每一行都为一个单独的列表，列表中的元素即为原表格的各个单元格的数据。如：

# extract_table()用法
with pdfplumber.open(r"test.pdf") as pdf_info:  # 打开pdf文件
    page_one = pdf_info.pages[0]  # 选择第一页
    page_one_table = page_one.extract_table()
    for row in page_one_table:
        print(row)

python用pdfplumber提取pdf表格数据并保存到excel文件中

三、提取pdf表格数据并保存到excel中

完整版，提取pdf表格数据并保存到excel中

import pdfplumber
from openpyxl import Workbook

class PDF(object):
    def __init__(self, file_path):
        self.pdf_path = file_path
        # 读取pdf文件
        try:
            self.pdf_info = pdfplumber.open(self.pdf_path)
            print("读取文件完成！")
        except Exception as e:
            print("读取文件失败：", e)

    # 打印pdf的基本信息、返回字典，作者、创建时间、修改时间/总页数
    def get_pdf(self):
        pdf_info = self.pdf_info.metadata
        pdf_page = len(self.pdf_info.pages)
        print("pdf共%s页" % pdf_page)
        print("pdf文件基本信息：
", pdf_info)
        self.close_pdf()

    # 提取表格数据,并保存到excel中
    def get_table(self):
        wb = Workbook()  # 实例化一个工作簿对象
        ws = wb.active  # 获取第一个sheet
        con = 0
        try:
            # 获取每一页的表格中的文字，返回table、row、cell格式：[[[row1],[row2]]]
            for page in self.pdf_info.pages:
                for table in page.extract_tables():
                    for row in table:
                        # 对每个单元格的字符进行简单清洗处理
                        row_list = [cell.replace("
", " ") if cell else "" for cell in row]
                        ws.append(row_list)  # 写入数据
                con += 1
                print("---------------分割线,第%s页---------------" % con)
        except Exception as e:
            print("报错：", e)
        finally:
            wb.save("".join(self.pdf_path.split("")[:-1]) + "pdf_excel.xlsx")
            print("写入完成！")
            self.close_pdf()

    # 关闭文件
    def close_pdf(self):
        self.pdf_info.close()

if __name__ == "__main__":
    file_path = input("请输入pdf文件路径：")
    pdf_info = PDF(file_path)
    # pdf_info.get_pdf() # 打印pdf基础信息
    # 提取pdf表格数据并保存到excel中,文件保存到跟pdf同一文件路径下
    pdf_info.get_table()