python 把pdf的表格解析成excel

python 把pdf的表格解析成excel

最近做了一个pdf解析的工具，能够对部分的pdf文档进行解析，对扫描版的pdf没啥用，我这里把我实现的代码分享出来：

安装

pip install pdfplumber

代码

import pdfplumberimport pandas as pdimport osfrom tqdm import tqdm # pip install pdfplumberdef PDF_parser(xlsx_name,pdf_name): writer=pd.ExcelWriter(xlsx_name,engine="openpyxl") with pdfplumber.open(pdf_name) as pdf: # print(pdf.pages) num=0 for i in range(len(pdf.pages)): page = pdf.pages[i] # print(first_page.chars[0]) table = page.extract_tables() #提取表格 # print(page.page_number) # print(table) for index,t in enumerate(table): num+=1 # 得到的table是嵌套list类型，转化成DataFrame更加方便查看和分析 df = pd.DataFrame(t[1:], columns=t[0]) #把表格编程dataframe df.to_excel(writer, sheet_name='Table '+str(num),index=False, engine='xlsxwriter') #写入到excel中 # csv_name='data/'+str(i)+'_'+str(index)+'.xlsx' # with pd.ExcelWriter('output.xlsx',mode='a',engine="openpyxl") as writer: # df.to_excel(writer, sheet_name='Sheet'+str(num)) # df.to_csv(csv_name,index=False) # df.to_excel(csv_name,index=False) print(df.shape) writer.save() writer.close()def create(root_dir): os.makedirs(root_dir,exist_ok=True)if __name__ == "__main__": # root_dir='Manhattan 2' # pdf directory root_dir='problem' # pdf directory output_dir='excel1' # excel output directory create(output_dir) # 如果输出目录没有，则自动创建输出目录 pdf_names=os.listdir(root_dir) pdf_names=[item for item in pdf_names if(item.split('.')[-1]=='pdf')] # 找出目录下所有的pdf # pdf_name="NYSERDA Energy Assessment Report - Mount Morris Ascension Presbyterian Church.pdf" # xlsx_name='output.xlsx' print(len(pdf_names)) for pdf_name in tqdm(pdf_names): # 遍历每个pdf print(pdf_name) xlsx_name=pdf_name.replace('.pdf','.xlsx') xlsx_name=os.path.join(output_dir,xlsx_name) # 输出的excel文件名 pdf_name=os.path.join(root_dir,pdf_name) # pdf的文件名 try: PDF_parser(xlsx_name,pdf_name) #pdf解析 except Exception as e: print(e) pass

效果还行，注意只能够解析部分的文档。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。