用Python提取PDF表格的方法-巨人网络通讯

用Python提取PDF表格的方法

一、简单文本类型数据

简单文本类型表格就是一页PDF中只有一个表格，并且表格内容完整可复制，例如我们选定内容为PDF中的第四页，内容如下：

可以看到，该页只有一个表格，下面我们将这个表写入Excel中，先上代码

import pdfplumber as pr
import pandas as pd
pdf = pr.open('关于使用自有资金购买银行理财产品的进展公告.PDF')
ps = pdf.pages
pg = ps[3]
tables = pg.extract_tables()
table = tables[0]
print(table)
df = pd.DataFrame(table[1:],columns = table[0])
for i in range(len(table)):
    for j in range(len(table[i])):
        table[i][j] = table[i][j].replace('\n','')
df1 = pd.DataFrame(table[1:],columns = table[0])
df1.to_excel('page2.xlsx')

得到的结果如下：

通过与PDF上原表格对比，在内容上是完全一致的，唯一不同的是由于主营业务内容较多，导致显示的不全面，现在来说说这段代码。

首先导入要用到的两个库。在pdfplumber中，open()函数是用来打开PDF文件，该代码用的是相对路径。.open().pages则是获取PDF的页数，打印ps值可以得到如下

pg = ps[3]代表的就是我们所选的第三页。

pg.extract_tables()：可输出页面中所有表格，并返回一个嵌套列表，其结构层次为table→row→cell。此时，页面上的整个表格被放入一个大列表中，原表格中的各行组成该大列表中的各个子列表。若需输出单个外层列表元素，得到的便是由原表格同一行元素构成的列表。

与其类似的是pg.extract_table( )：返回多个独立列表，其结构层次为row→cell。若页面中存在多个行数相同的表格，则默认输出顶部表格；否则，仅输出行数最多的一个表格。此时，表格的每一行都作为一个单独的列表，列表中每个元素即为原表格的各个单元格内容。

由于该页面中只有一个表格，我们需要tables集合中的第一个元素。打印table值，如下：

可以看到在上述中是存在\n这种没不要的字符，它的作用其实是换行但我们在Excel中是不需要的。所以需要剔除它，用代码中的for循环与replace函数将控制替换成空格(即删除\n)。观察table是一个装有2个元素的列表。

最后df1 = pd.DataFrame(table[1:],columns = table[0])这段代码的作用就是创建一个数据框，将内容放到对应的行列中。

本代码只是简单将数据存入到Excel，如果你需要进一步对样式进行调整，可以使用openpyxl等模块进行修改。

二、复杂型表格提取

复杂型表格即表格样式不统一或一页中有多个表格，以PDF中的第五页为例：

可以看到本页中有两个大的表格，并且细看的话，其实是4个表格，按照简单型表格类型提取方法，得到的效果如下：

可以看到，只是将全部表格文本提取出来，但实际上第一个表格又细分为两个表，所以需要我们进一步修改，将这张表再次拆分！例如提取上半部分代码如下：

import pdfplumber as pr
import pandas as pd
pdf = pr.open('关于使用自有资金购买银行理财产品的进展公告.PDF')
ps = pdf.pages
pg = ps[4]
tables = pg.extract_tables()
table = tables[0]
print(table)
df = pd.DataFrame(table[1:],columns = table[0])
for i in range(len(table)):
    for j in range(len(table[i])):
        table[i][j] = table[i][j].replace('\n','')
df1 = pd.DataFrame(table[1:],columns = table[0])
df2 = df1.iloc[2:,:]
df2 = df2.rename(columns = {"2019年12月31日":"2019年1-12月","2020年9月30日":"2020年1-9月"})
df2 = df2.loc[3:,:]
df1 = df1.loc[:1,:]
with pd.ExcelWriter('公司影响.xlsx') as i:
    df1.to_excel(i,sheet_name='资产', index=False, header=True) #放入资产数据
    df2.to_excel(i,sheet_name='营业',index=False, header=True) #放入营业数据

这段代码在简单型表格提取的基础上进行了修改，第十四行代码的作用就是提取另外一个表头的信息，并将他赋值给df2，而后对df2进行重命名操作(用到rename函数)。

打印df2可以看出columns列名和第一行信息重复了，因此我们需要重复刚刚的步骤，利用loc()函数切割数据框。

注意，我们这里用了罕见的pandas.Excelwriter函数套for循环，这个是为了避免直接写入导致的最后数据覆盖原数据，感兴趣可以尝试一下不用withopen这种方法后结果。最终得到的效果如下：

可以看到，现在这个表格就被放在两个sheet中单独展示，当然用于对比放在一张表中也是可以的

说到底复杂型表格的主观性是非常大的，需要根据不同情况进行不同处理，想写出一个一劳永逸的办法是比较困难的！

三、图片型表格提取

最后也是最难处理的就是图片型表格，经常有人会问如何提取图片型PDF中的表格/文本等信息。

其实本质上就是提取图片，之后如何对图片进一步处理提取信息就与Python提取PDF表格这个主题没有太大关系了！

这里我们也简单进行介绍，也就是先提取图片再进行OCR识别提取表格，在Python中可以使用Tesseract库，首先需要pip安装

pip install pytesseract

在Python中安装完这个库之后我们需要安装exe文件以在后面代码用到。

http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe

下载安装完即可，注意目前如果按照正常步骤安装的话是不会识别中文的，所以需要安装简体中文语言包，下载地址为https://github.com/tesseract-ocr/tessdata/find/master/chi_sim.traineddata，将其放到Tesseract-OCR的tessdata目录下即可。

接下来我们使用一个简单的图片型pdf如下：

第一步，提取图片，这里使用在GUI办公自动化系列中的图片提取软件来提取PDF中的图片，得到如下图片：

接着执行下方代码识别图片内容

import pytesseract
from PIL import Image
import pandas as pd
pytesseract.pytesseract.tesseract_cmd = 'C://Program Files (x86)/Tesseract-OCR/tesseract.exe'
tiqu = pytesseract.image_to_string(Image.open('图片型.jpg'))
print(tiqu)
tiqu = tiqu.split('\n')
while '' in tiqu:    #不能使用for
  tiqu.remove('')
  first = tiqu[:6]
  second = tiqu[6:12]
  third =  tiqu[12:]
  df = pd.DataFrame()
  df[first[0]] = first[1:]
  df[second[0]] = second[1:]
  df[third[0]] = third[1:]
#df.to_excel('图片型表格.xlsx')  #转为xlsx文件

我们的思路是用Tesseract-OCR来解析图片，得到一个字符串，接着对字符串运用split函数，把字符串变成列表同时删除\n。

接着可以发现我们的列表里还存在空格，这时我们用while循环来删除这些空字符，注意，这里不能用for循环，因为每次删除一个，列表里的元素就会前进一个，这样会删不完全。最后就是用pandas把这些变成数据框形式。最终得到的效果如下：