更多精彩內(nèi)容請移步微信公眾號：Python for Finance
本文介紹一個開源python工具庫-pdfplumber傻工，可以方便地獲取pdf的各種信息，包括文本、表格罚舱、圖表培愁、尺寸等著摔。它不支持修改或生成pdf。

一定续、pdfplumber安裝

由于Anaconda沒有集成pdfplumber庫谍咆，因此需要安裝。安裝方式：打開Anaconda Prompt私股，選擇開始菜單-Anaconda3-Anaconda Prompt摹察。

命令行中輸入

pip install pdfplumber

二、pdfplumber運用步驟

（一）讀取pdf

import pdfplumber
pdf=pdfplumber.open(r'C:\Users\chenwei\Downloads\貴州茅臺2020年年度報告.pdf')

(二）生成page對象

pdfplumber.Page類是pdfplumber整個的核心倡鲸。
通過.pages返回包含pdfplumber.Page實例的列表供嚎，每一個實例代表pdf每一頁的信息，通過列表可訪問具體某一頁。

pages=pdf.pages #生成pdf所有頁面的列表
page01=pdf.pages[0] #返回第一頁對象

步驟一克滴、二也可以with open語句逼争，代碼如下：

with pdfplumber.open(r'C:\Users\chenwei\Downloads\貴州茅臺2020年年度報告.pdf') as pdf:
    pages=pdf.pages #生成pdf所有頁面的列表
    page01=pdf.pages[0] #返回第一頁對象

（三）對Page對象進行處理

常用方法：

（1）pdfplumber庫提供文本提取函數(shù).extract_text() ，將PDF文檔中的文本內(nèi)容按照原文中的換行格式（并非實際的段落）得到字符串對象劝赔。

（2）pdfplumber庫提供了兩種pdf表格提取函數(shù)誓焦，分別為.extract_tables( )及.extract_table( )，兩種函數(shù)提取結(jié)果存在差異着帽。

A).extract_tables( )

可輸出頁面中所有表格杂伟，并返回一個嵌套列表，其結(jié)構(gòu)層次為table→row→cell启摄。此時稿壁，頁面上的整個表格被放入一個大列表中，原表格中的各行組成該大列表中的各個子列表歉备。

B).extract_table( )

返回獨立列表傅是，其結(jié)構(gòu)層次為row→cell。若頁面中存在多個行數(shù)相同的表格蕾羊，則默認輸出頂部表格喧笔；否則，僅輸出行數(shù)最多的一個表格龟再。此時书闸，表格的每一行都作為一個單獨的列表，列表中每個元素即為原表格的各個單元格內(nèi)容利凑。

三浆劲、pdfplumber常用實例：

（一）提取單頁pdf文字

以讀取《貴州茅臺2020年年度報告》pdf第28頁文本為例，代碼如下：

import pdfplumber
with pdfplumber.open(r'C:\Users\chenwei\Downloads\貴州茅臺2020年年度報告.pdf') as pdf:
    page28 = pdf.pages[27] #指定讀取第28頁
    text = page28.extract_text()#提取文本
    print(text)

圖片1.png

（二）提取所有頁面pdf文字并寫入文本

以讀取《貴州茅臺2020年年度報告》pdf文本并寫入txt文件為例哀澈，代碼如下：

import pdfplumber
with pdfplumber.open(r'C:\Users\chenwei\Downloads\貴州茅臺2020年年度報告.pdf') as pdf:
    for page in pdf.pages:
        text = page.extract_text()#提取文本
        txt = open(r'C:\Users\chenwei\Downloads\貴州茅臺2020年年度報告.txt',mode='a',encoding='utf-8')
        txt.write(text)

圖片2.png

（三）提取單頁面的單個表格

采用extract_table()方法提取單個表格牌借，若頁面中存在多個行數(shù)相同的表格，則默認輸出頂部表格割按；否則膨报，僅輸出行數(shù)最多的一個表格。
以讀取《貴州茅臺2020年年度報告》pdf第9頁單個表格為例适荣，第9頁有多個表格现柠，其中，成本分析表是行數(shù)最多的一個表格弛矛，采用extract_table()方法則默認輸出該表格够吩。

圖片3.png

import pdfplumber
import pandas as pd

with pdfplumber.open(r'C:\Users\chenwei\Downloads\貴州茅臺2020年年度報告.pdf') as pdf:
    page09 = pdf.pages[8]   # 第九頁的信息
    table= page09.extract_table()  #提取單個表格
    table=pd.DataFrame(table[1:],columns=table[0])    #得到的table是嵌套list類型，轉(zhuǎn)化成DataFrame更加方便查看
    print(table)

圖片4.png

（四）提取所有頁面的所有表格丈氓，并存到excel的不同sheet中

這涉及pandas將多個dataframe以多個sheet的形式保存到一個excel文件中废恋，需要采用 ExcelWriter方法谈秫。代碼如下：

import pdfplumber
import pandas as pd

writer=pd.ExcelWriter(r'C:\Users\chenwei\Desktop\貴州茅臺2020年年度報告數(shù)據(jù).xls')

with pdfplumber.open(r'C:\Users\chenwei\Downloads\貴州茅臺2020年年度報告.pdf') as pdf:   
    for j in range(len(pdf.pages)):
        page=pdf.pages[j]
        tables = page.extract_tables()  #提取多個表格
        for i in range(len(tables)):
            table=tables[i]
            table=pd.DataFrame(table[1:],columns=table[0])           
            table.to_excel(writer,index=False,sheet_name=f'第{j+1}頁表格{i+1}')    
            writer.save()
writer.close()

圖片5.png