教你用python玩转PDF文档

点击上方“Python3X”，选择“置顶或者星标”

第一时间收到精彩推送！

python作为一种具有相对简单语法的高级解释语言，即使对于那些没有编程经验的人来说，Python也是简单易操作的。强大的Python库让你事半功倍。在处理文本信息时，通常我们需要从word、PDF文档中提取出信息，而PDF是最重要和最广泛使用的用来呈现和交换文件的数字媒体之一，。PDF包含有用的信息，链接和按钮，表单域，音频，视频和业务逻辑。python库很好地集成并提供处理非结构化数据源。运用python可以轻松从PDF中提取有用信息后，您可以轻松地将该数据用于任何机器学习或自然语言处理模型。

常见的Python库

以下是可用于处理PDF文件的一些Python库

PDFMiner ：一个从PDF文档中提取信息的工具。与其他PDF相关工具不同，它完全专注于获取和分析文本数据。
PyPDF2 ：一个纯python PDF库，能够分割，合并，裁剪和转换PDF文件的页面。它还可以向PDF文件添加自定义数据，查看选项和密码。它可以从PDF中检索文本和元数据，以及将整个文件合并在一起。
Tabula-py：一个 tabula-java的简单Python包装器，它可以读取PDF表。您可以从PDF读取表格并转换为pandas的DataFrame。tabula-py还允许您将PDF文件转换为CSV / TSV / JSON文件。
Slate：PDFMiner的包装器实现
PDFQuery：pdfminer，lxml和pyquery的轻量级包装器。它旨在使用尽可能少的代码可靠地从PDF集合中提取数据。
xpdf ：xpdf的 Python包装器（目前只是“pdftotext”实用程序）

从pdf中提取文本

使用PyPDF2从pdf中提取简单文本，示例代码如下：

import PyPDF2# pdf file object# you can find find the pdf file with complete code in belowpdfFileObj = open('example.pdf', 'rb')# pdf reader objectpdfReader = PyPDF2.PdfFileReader(pdfFileObj)# number of pages in pdfprint(pdfReader.numPages)# a page objectpageObj = pdfReader.getPage(0)# extracting text from page.# this will print the text you can also save that into Stringprint(pageObj.extractText())
# pdf file object
# you can find find the pdf file with complete code in below
pdfFileObj = open('example.pdf', 'rb')
# pdf reader object
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
# number of pages in pdf
print(pdfReader.numPages)
# a page object
pageObj = pdfReader.getPage(0)
# extracting text from page.
# this will print the text you can also save that into String
print(pageObj.extractText())

从pdf中读取表格数据

使用Pdf中的Table数据，我们可以使用Tabula-py,示例代码如下：

import tabula# readinf the PDF file that contain Table Data# you can find find the pdf file with complete code in below# read_pdf will save the pdf table into Pandas Dataframedf = tabula.read_pdf("offense.pdf")# in order to print first 5 lines of Tabledf.head()
# readinf the PDF file that contain Table Data
# you can find find the pdf file with complete code in below
# read_pdf will save the pdf table into Pandas Dataframe
df = tabula.read_pdf("offense.pdf")
# in order to print first 5 lines of Table
df.head()

如果您的Pdf文件包含多个表，可以进行如下设置：

df = tabula.read_pdf（“crime.pdf”，multiple_tables = True）

还可以从任何特定PDF页面的特定部分提取信息

tabula.read_pdf（“crime.pdf”，area =（126,149,212,462），pages = 1）149,212,462），pages = 1）

设置读取输出为JSON格式

tabula.read_pdf（“crime.pdf”，output_format =“json”）

将Pdf导出到Excel

使用以下代码将PDF数据转换为Excel或CSV

tabula.convert_into（“crime.pdf”，“crime_testing.xlsx”，output_format =“xlsx”）

更多参考资料

python提取pdf信息：

https://www.geeksforgeeks.org/working-with-pdf-files-in-python/

原文：

https://towardsdatascience.com/python-for-pdf-ef0fac2808b0

PyPDF2库文档：

https://automatetheboringstuff.com/chapter13/

以上，便是今天的分享，希望大家喜欢，觉得内容不错的。欢迎点击「在看」支持，谢谢各位。
教你用python玩转PDF文档-LMLPHP

感谢您的阅读

教你用python玩转PDF文档-LMLPHP