python讀取pdf檔案

pdfplumber是乙個可以處理pdf格式資訊的庫。可以查詢關於每個文字字元、矩陣、和行的詳細資訊，也可以對**進行提取並進行視覺化除錯。

文件參考

安裝直接採用pip即可。命令列中輸入

pip install pdfplumber

import

pdfplumber
with pdfplumber.open(
"path/file.pdf
") as pdf:
first_page = pdf.pages[0]  #
獲取第一頁
print(first_page.chars[0])

pdfplumber.pdf中包含了.metadata和.pages兩個屬性。

metadata是乙個包含pdf資訊的字典。

pages是乙個包含頁面資訊的列表。

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 這些屬性中每乙個都是乙個列表，每個列表都包含乙個字典，每個字典用於說明頁面中的物件資訊， 包括直線，字元， 方格等位置資訊。

extract_text() 用來提頁面中的文字，將頁面的所有字元物件整理為的那個字串

extract_words() 返回的是所有的單詞及其相關資訊

extract_tables() 提取頁面的**

to_image() 用於視覺化除錯時，返回pageimage類的乙個例項

table_settings

表提取設定

預設情況下，extract_tables使用頁面的垂直和水平線（或矩形邊）作為單元格分隔符。但是方法該可以通過table_settings引數高度定製。可能的設定及其預設值：

表提取策略

vertical_strategy和horizontal_strategy的引數選項 

"lines"

use the page's graphical lines — including the sides of rectangle objects — as the borders of potential table-cells.

"lines_strict"

use the page's graphical lines — but not the sides of rectangle objects — as the borders of potential table-cells.

"text"

forvertical_strategy: deduce the (imaginary) lines that connect the left, right, or center of words on the page, and use those lines as the borders of potential table-cells. forhorizontal_strategy, the same but using the tops of words.

"explicit"

only use the lines explicitly defined inexplicit_vertical_lines/explicit_horizontal_lines.

import

pdfplumber
import
pandas as pd
with pdfplumber.open(
"e:\\600aaa_2.pdf
") as pdf:
page_count =len(pdf.pages)
print(page_count)  #
得到頁數
for page in
pdf.pages:
print('
---------- 第[%d]頁 ----------
' %page.page_number)
#獲取當前頁面的全部文字資訊，包括**中的文字
print(page.extract_text())

讀取**

import

pdfplumber
import
pandas as pd
import
rewith pdfplumber.open(
"e:\\600aaa_1.pdf
") as pdf:
page_count =len(pdf.pages)
print(page_count)  #
得到頁數
for page in
pdf.pages:
print('
---------- 第[%d]頁 ----------
' %page.page_number)
for pdf_table in page.extract_tables(table_settings=): #
邊緣相交合併單元格大小
#print(pdf_table)
for row in
pdf_table:
#去掉回車換行
print([re.sub('
\s+', '', cell) if cell is
not none else none for cell in row])

部分參照：

python讀取pdf檔案獲取pdf的文字內容

python處理pdf檔案的所有庫 import pypdf2 from urllib.request import urlopen file open d ltn20190716133.pdf rb filereader pypdf2.pdffilereader file pdf page num...

Python 讀取純文字PDF檔案

匯入系統庫 import sys import importlib 對importlib做處理,讓其載入sys importlib.reload sys from pdfminer.pdfparser import pdfparser,pdfdocument from pdfminer.pdfint...

Python讀取PDF內容

1，引言 晚上翻看 python網路資料採集 這本書，看到讀取pdf內容的 想起來前幾天 集搜客剛剛發布了乙個 抓取網頁pdf內容的抓取規則 這個規則能夠把pdf內容當成html來做網頁抓取。神奇之處要歸功於firefox解析pdf的能力，能夠把pdf格式轉換成html標籤，比如，div之類的標籤，...