香蕉网站看片,做爱网站在线观看,精品无码一区二区三区爱奴,青青草成人视频在线播放,日韩18,AAA级黄片,亚洲五月丁香婷婷,激情婷婷国产

導(dǎo)讀：介紹一個開源Python工具庫——pdfplumber。

作者：朱衛(wèi)軍

來源：Python大數(shù)據(jù)分析（ID：pydatas）

PDF是一種便攜式文檔格式，由Adobe公司設(shè)計。因?yàn)椴皇芷脚_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(fèi)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(diǎn)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(shí)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。

01 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(diǎn)就可以。

它是一個純Python第三方庫，適合Python 3.x版本
它用來查看PDF各類信息，能有效提取文本、表格
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

02 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
....

03 pdfplumber簡單使用

pdfplumber中有兩個基礎(chǔ)類，PDF和Page。看字面意思能猜出，前者是處理整個文檔，后者是處理頁面。

pdfplumber.PDF類

.metadata：獲取PDF基礎(chǔ)信息，返回字典
.pages：一個包含pdfplumber.Page實(shí)例的列表，每一個實(shí)例代表PDF每一頁的信息。

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(shí)例
pdf = pdfplumber.open("e:\\nba2.pdf")

2. 獲取該P(yáng)DF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(shí)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(shí)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(shí)際項(xiàng)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(shí)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。可能的設(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,
}