pdf是一種便攜式文檔格式，由Adobe公司設(shè)計。因為不受平臺限制，且方便保存和傳輸，所以pdf非常受歡迎。

目前市場上有很多pdf工具，大部分是閱讀類，也有支持對pdf的修改、轉(zhuǎn)換等功能，但這部分工具不少是收費的。

這次介紹一個開源python工具庫-pdfplumber，可以方便地獲取pdf的各種信息，包括文本、表格、圖表、尺寸等。

pdfplumber在github上有英文官方文檔，后面我們會撿重點講解，先看下如何用pdfplumber提取pdf表格？

以NBA 2020-2021 常規(guī)賽數(shù)據(jù)作為范例，pdf表格如下：

第一步：使用pdfplumber提取表格文本

# 導(dǎo)入pdfplumber
import pdfplumber

# 讀取pdf文件，保存為pdf實例
pdf =  pdfplumber.open("E:\\nba.pdf") 

# 訪問第二頁
first_page = pdf.pages[1]

# 自動讀取表格信息，返回列表
table = first_page.extract_table()

table

輸出：

第二步：整理成dataframe格式，保存為excel

import pandas as pd

# 將列表轉(zhuǎn)為df
table_df = pd.DataFrame(table_2[1:],columns=table_2[0])

# 保存excel
table_df.to_excel('test.xlsx')

table_df

輸出：

一個小小的腳本，不到十行代碼，便將pdf表格提取并轉(zhuǎn)化為dataframe格式，最終保存到excel。

有個初步認(rèn)知后，接下來詳細(xì)講講pdfplumber的安裝、導(dǎo)入、api接口等信息。

pdfplumber簡介

前面已經(jīng)介紹過pdfplumber的用途，也用一個小案例展示了如何提取表格，我覺得對于pdfplumber只需要了解三點就可以。

1、它是一個純python第三方庫，適合python 3.x版本

2、它用來查看pdf各類信息，能有效提取文本、表格

3、它不支持修改或生成pdf，也不支持對pdf掃描件的處理

Github地址https://github.com/jsvine/pdfplumber

pdfplumber安裝和導(dǎo)入

同其他python庫一樣，pdfplumber支持使用pip安裝，在命令行輸入：

pip install pdfplumber

如果遇到安裝慢的問題，可以替換鏡像源，會快很多。

pdfplumber安裝后，用import導(dǎo)入即可使用：

import pdfplumber
....

pdfplumber簡單使用

pdfplumber中有兩個基礎(chǔ)類，PDF和Page?？醋置嬉馑寄懿鲁觯罢呤翘幚碚麄€文檔，后者是處理頁面。

「pdfplumber.PDF類」

「pdfplumber.Page類」

這是pdfplumber的核心功能，對pdf的大部分操作都是基于這個類，包括提取文本、表格、尺寸等。

這里暫不一一列舉它的屬性和方法。

通過一個簡單的案例，就可以明白它們的作用。示例pdf文檔，共兩頁：

1. 讀取pdf

# 導(dǎo)入pdfplumber
import pdfplumber

# 讀取pdf文件，返回pdfplumber.PDF類的實例
pdf = pdfplumber.open("e:\\nba2.pdf")

2. 獲取該pdf文檔的信息

# 通過pdfplumber.PDF類的metadata屬性獲取pdf信息
pdf.metadata

輸出：

這些是pdf的基礎(chǔ)信息，包括作者、來源、日期等。

3. 總頁數(shù)

# 通過pdfplumber.PDF類的metadata屬性獲取pdf頁數(shù)
len(pdf.pages)

4. 讀取第一頁的頁寬、頁高等信息

# 第一頁pdfplumber.Page實例
first_page = pdf.pages[0]

# 查看頁碼
print('頁碼：',first_page.page_number)

# 查看頁寬
print('頁寬：'first_page.width)

# 查看頁高
print('頁高：'first_page.height)

輸出：

5. 讀取第一頁的文本

# 讀取文本
text = first_page.extract_text()
print(text)

輸出：

6. 讀取第二頁的表格

import pandas as pd

# 第二頁pdfplumber.Page實例
first_page = pdf.pages[1]

# 自動讀取表格信息，返回列表
table = first_page.extract_tables()

# 將列表轉(zhuǎn)為df
table_df = pd.DataFrame(table_2[1:],columns=table_2[0])

table_df

pdfplumber提取表格有很多的細(xì)節(jié)需要處理，這里給到的范例表格線框比較規(guī)范，所以能很簡單的提取，但對于線框不完全（包含無線框）的表格，其效果就差了不少。

在實際項目所需處理的pdf文檔中，線框完全及不完全的表格都比較多，為了能夠理解pdfplumber實現(xiàn)表格抽取的原理和方法，我們需要去細(xì)究相關(guān)參數(shù)的設(shè)置。

正如案例所示，pdfplumber.Page對象的.extract_table()方法可以提取表格，返回從頁面上最大的表中提取的文本，以列表列表的形式顯示，結(jié)構(gòu)為row -> cell。

「表格抽取參數(shù)設(shè)置」

默認(rèn)情況下，extract_table使用頁面的垂直和水平線（或矩形邊緣）作為單元格分隔符。該方法可以通過table_settings參數(shù)進(jìn)行高度自定義?？赡艿脑O(shè)置及其默認(rèn)值：

{
    "vertical_strategy": "lines", 
    "horizontal_strategy": "lines",
    "explicit_vertical_lines": [],
    "explicit_horizontal_lines": [],
    "snap_tolerance": 3,
    "join_tolerance": 3,
    "edge_min_length": 3,
    "min_words_vertical": 3,
    "min_words_horizontal": 1,
    "keep_blank_chars": False,
    "text_tolerance": 3,
    "text_x_tolerance": None,
    "text_y_tolerance": None,
    "intersection_tolerance": 3,
    "intersection_x_tolerance": None,
    "intersection_y_tolerance": None,
}

pdfplumber支持對圖表進(jìn)行可視化調(diào)試，能輸出圖像，顯示如何提取表。

pdfplumber的獨特之處

python中有很多庫可以處理pdf，比如PyPDF2、pdfminer等，那pdfplumber的優(yōu)勢在哪呢？

首先，pdfplumber能輕松訪問有關(guān)PDF對象的所有詳細(xì)信息，且用于提取文本和表格的方法高級可定制，使用者可根據(jù)表格的具體形式來調(diào)整參數(shù)。

最關(guān)鍵的是pdfplumber作者持續(xù)在維護(hù)該庫，而同樣受歡迎的PyPDF2已經(jīng)不再維護(hù)了。

為了答謝廣大粉絲，我們每個月都有送書活動，最近有兩次送書：

學(xué) Python，銷量1000000本的蟒蛇書來啦！

你要的職場“摸魚”神器來了！送書5本！

推薦閱讀:
入門: 最全的零基礎(chǔ)學(xué)Python的問題  | 零基礎(chǔ)學(xué)了8個月的Python  | 實戰(zhàn)項目 |學(xué)Python就是這條捷徑

干貨:爬取豆瓣短評，電影《后來的我們》 | 38年NBA最佳球員分析 |   從萬眾期待到口碑撲街！唐探3令人失望  | 笑看新倚天屠龍記 | 燈謎答題王 ｜用Python做個海量小姐姐素描圖 ｜碟中諜這么火，我用機(jī)器學(xué)習(xí)做個迷你推薦系統(tǒng)電影

趣味:彈球游戲  | 九宮格  | 漂亮的花 | 兩百行Python《天天酷跑》游戲!

AI: 會做詩的機(jī)器人 | 給圖片上色 | 預(yù)測收入 | 碟中諜這么火，我用機(jī)器學(xué)習(xí)做個迷你推薦系統(tǒng)電影

小工具: Pdf轉(zhuǎn)Word，輕松搞定表格和水??！ | 一鍵把html網(wǎng)頁保存為pdf！|  再見PDF提取收費！ | 用90行代碼打造最強(qiáng)PDF轉(zhuǎn)換器，word、PPT、excel、markdown、html一鍵轉(zhuǎn)換 | 制作一款釘釘?shù)蛢r機(jī)票提示器！ ｜60行代碼做了一個語音壁紙切換器天天看小姐姐！｜

年度爆款文案
1).臥槽！Pdf轉(zhuǎn)Word用Python輕松搞定！
2).學(xué)Python真香！我用100行代碼做了個網(wǎng)站，幫人PS旅行圖片，賺個雞腿吃
3).首播過億，火爆全網(wǎng)，我分析了《乘風(fēng)破浪的姐姐》，發(fā)現(xiàn)了這些秘密 
4).80行代碼！用Python做一個哆來A夢分身 
5).你必須掌握的20個python代碼，短小精悍，用處無窮 
6).30個Python奇淫技巧集 
7).我總結(jié)的80頁《菜鳥學(xué)Python精選干貨.pdf》,都是干貨 
8).再見Python！我要學(xué)Go了！2500字深度分析！
9).發(fā)現(xiàn)一個舔狗福利！這個Python爬蟲神器太爽了，自動下載妹子圖片

點閱讀原文,領(lǐng)AI全套資料！