zoukankan      html  css  js  c++  java
  • 使用pdfplumber读取PDF

     

    pdfplumber安装

    安装直接采用pip即可。命令行中输入

    pip install pdfplumber
    

    如果要进行可视化的调试,则需要安装ImageMagick

    Pdfplumber
    ImageMagick
    GhostScript

    简单使用

    最基本的用法如下,读取pdf中的某一页。
    import pdfplumber
    with pdfplumber.open("path/to/file.pdf") as pdf:
        first_page = pdf.pages[0]
        print(first_page.chars[0])
    

    pdfplumber.pdf中包含了.metadata和.pages两个属性。

    .metadata是一个包含pdf信息的字典。
    .pages是一个包含页面信息的列表。

    每个pdfplumber.page的类中包含了几个主要的属性。

    .page_number 页码
    .width 页面宽度
    .height 页面高度
    .objects/.chars/.lines/.rects 这些属性中每一个都是一个列表,每个列表都包含一个字典,每个字典用于说明页面中的对象信息, 包括直线,字符, 方格等位置信息。

    一些常用的方法

    .extract_text() 用来提页面中的文本,将页面的所有字符对象整理为的那个字符串
    .extract_words() 返回的是所有的单词及其相关信息
    .extract_tables() 提取页面的表格
    .to_image() 用于可视化调试时,返回PageImage类的一个实例

    import pdfplumber
    import pandas as pd
    
    with pdfplumber.open("财务报告.pdf") as pdf:
        page = pdf.pages[1]   # 第一页的信息
        text = page.extract_text()
        print(text)
        table = page.extract_tables()
        for t in table:
            # 得到的table是嵌套list类型,转化成DataFrame更加方便查看和分析
    ​        df = pd.DataFrame(t[1:], columns=t[0])print(df)
    

    学习资源1
    学习资源2

  • 相关阅读:
    二叉树遍历
    NO.35 2021/12/13(06:50)[周一]
    NO.29 2021/11/30(06:30)[周二]
    NO.22 2021/11/19(06:15) [周五]
    The .NET ORM Architec
    C#格式字符串
    C# Attribute
    .net DLL反编译文件
    【Beta】Scrum meeting1
    【Alpha】Scrum meeting 6
  • 原文地址:https://www.cnblogs.com/taosiyu/p/14103378.html
Copyright © 2011-2022 走看看