Python玩转PDF文档，感受Python的强大！

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。

进群：700341555获取Python入门学习资料！

Python玩转PDF文档，感受Python的强大！

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

1. 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。
2. 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。
3. 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。
4. Slate：PDFMiner的包装器实现
5. 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。
6. **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：

<pre style="-webkit-tap-highlight-color: transparent; box-sizing: border-box; font-family: Consolas, Menlo, Courier, monospace; font-size: 16px; white-space: pre-wrap; position: relative; line-height: 1.5; color: rgb(153, 153, 153); margin: 1em 0px; padding: 12px 10px; background: rgb(244, 245, 246); border: 1px solid rgb(232, 232, 232);">import PyPDF2

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())
</pre>

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：

<pre style="-webkit-tap-highlight-color: transparent; box-sizing: border-box; font-family: Consolas, Menlo, Courier, monospace; font-size: 16px; white-space: pre-wrap; position: relative; line-height: 1.5; color: rgb(153, 153, 153); margin: 1em 0px; padding: 12px 10px; background: rgb(244, 245, 246); border: 1px solid rgb(232, 232, 232);">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 Dataframe

df = tabula.read_pdf("offense.pdf")

in order to print first 5 lines of Table

df.head()
</pre>

如果您的Pdf文件包含多个表，可以进行如下设置：

<pre style="-webkit-tap-highlight-color: transparent; box-sizing: border-box; font-family: Consolas, Menlo, Courier, monospace; font-size: 16px; white-space: pre-wrap; position: relative; line-height: 1.5; color: rgb(153, 153, 153); margin: 1em 0px; padding: 12px 10px; background: rgb(244, 245, 246); border: 1px solid rgb(232, 232, 232);">df = tabula.read_pdf（“crime.pdf”，multiple_tables = True）
</pre>

还可以从任何特定PDF页面的特定部分提取信息

<pre style="-webkit-tap-highlight-color: transparent; box-sizing: border-box; font-family: Consolas, Menlo, Courier, monospace; font-size: 16px; white-space: pre-wrap; position: relative; line-height: 1.5; color: rgb(153, 153, 153); margin: 1em 0px; padding: 12px 10px; background: rgb(244, 245, 246); border: 1px solid rgb(232, 232, 232);">tabula.read_pdf（“crime.pdf”，area =（126,149,212,462），pages = 1）
</pre>

设置读取输出为JSON格式

<pre style="-webkit-tap-highlight-color: transparent; box-sizing: border-box; font-family: Consolas, Menlo, Courier, monospace; font-size: 16px; white-space: pre-wrap; position: relative; line-height: 1.5; color: rgb(153, 153, 153); margin: 1em 0px; padding: 12px 10px; background: rgb(244, 245, 246); border: 1px solid rgb(232, 232, 232);">tabula.read_pdf（“crime.pdf”，output_format =“json”）
</pre>

将Pdf导出到Excel

使用以下代码将PDF数据转换为Excel或CSV

<pre style="-webkit-tap-highlight-color: transparent; box-sizing: border-box; font-family: Consolas, Menlo, Courier, monospace; font-size: 16px; white-space: pre-wrap; position: relative; line-height: 1.5; color: rgb(153, 153, 153); margin: 1em 0px; padding: 12px 10px; background: rgb(244, 245, 246); border: 1px solid rgb(232, 232, 232);">tabula.convert_into（“crime.pdf”，“crime_testing.xlsx”，output_format =“xlsx”）
</pre>