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：
<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>
源码视频书籍练习题等资料进群696541369 即可免费获取
更多python记得关注我的公众号 从0到1Python之路
网友评论