目錄

1.PyPDF2

2.?pdfminer & pdfminer3k

3. pdfplumber

4.?Camelot

---

雖然PDF文件對文本布局非常好，容易打印并閱讀，但軟件要將它們解析為純文本并不容易，Python目前解析PDF的擴展包有很多，本文將分別介紹PyPDF2、pdfplumber、pdfminer3k以及Camelot（若發(fā)現(xiàn)還有其他函數(shù)，繼續(xù)補充），并分析優(yōu)缺點，告訴你哪個是好用的PDF解析工具。

1.PyPDF2

PyPDF2 沒有辦法從 PDF 文檔中提取圖像、圖表或其他媒體，但它可以提取文 本，并將文本返回為 Python 字符串。

缺點：PyPDF2從PDF提取文本時可能會出錯，甚至根本打不開某些PDF文件。

基本實現(xiàn)代碼如下：

import PyPDF2# 使用open的‘rb’方法打開pdf文件，使用二進制模式 mypdf = open('pdfexample.pdf',mode='rb')# 調用PdfFileReader函數(shù) pdf_document = PyPDF2.PdfFileReader(mypdf)# 使用PdfFileReader對象的變量，獲取各個信息，如numPages屬性獲取PDF文檔的頁數(shù) pdf_document.numPages # 調用PdfFileReader對象的getPage()方法，傳入頁碼，取得Page對象：輸出PDF文檔的第一頁內容 first_page = pdf_document.getPage(0)# 調用Page對象的extractText()方法，返回該頁文本的字符串 text = first_page.extractText())

2.?pdfminer & pdfminer3k

PDFMiner是一個從PDF文檔中提取信息的工具。與其他pdf相關的工具不同，它完全專注于獲取和分析文本數(shù)據(jù)。PDFMiner允許獲取頁面中文本的確切位置，以及其他信息，比如字體或行。它包括一個PDF轉換器，可以將PDF文件轉換成其他文本格式(如HTML)。它有一個可擴展的PDF解析器，可以用于其他目的而不是文本分析。

pdfminer3k 是 pdfminer 的 python3 版本，主要用于讀取 pdf 中的文本,下面是pdfminer 解析PDF文檔的流向圖。

? ? ? ? ? ? ? ? ??

pdfminer方法解析PDF可以很好的提取文本內容，但是對于表格數(shù)據(jù)，能提取出文字，但是沒有格式，會很不友好。因此你如果只需要提取文本內容的話，可以使用pdfminer擴展包，這個包也能很好的支持中文。

參考：https://www.cnblogs.com/wj-1314/p/9429816.html

3. pdfplumber

Pdfplumber是一個可以處理pdf格式信息的庫，可以很好地解析PDF的文本和表格內容?？梢圆檎谊P于每個文本字符、矩陣、和行的詳細信息，也可以對表格進行提取并進行可視化調試，并且對中文有很好的支持，十分推薦使用該方法。

參考：https://blog.csdn.net/blmoistawinde/article/details/82051915

pdfplumber.pdf中包含了.metadata和.pages兩個屬性：

• .metadata是一個包含pdf信息的字典。
• .pages是一個包含頁面信息的列表。

每個pdfplumber.page的類中包含了幾個主要的屬性：

• .page_number 頁碼
• .width 頁面寬度
• .height 頁面高度
• .objects/.chars/.lines/.rects 這些屬性中每一個都是一個列表，每個列表都包含一個字典，每個字典用于說明頁面中的對象信息， 包括直線，字符， 方格等位置信息。

一些常用的方法：

• .extract_text() 用來提頁面中的文本，將頁面的所有字符對象整理為的那個字符串
• .extract_words() 返回的是所有的單詞及其相關信息
• .extract_tables() 提取頁面的表格
• .to_image() 用于可視化調試時，返回PageImage類的一個實例
  ?

1. 解析文本內容

pdfplumber中的extract_text()函數(shù)是可以直接識別PDF中的文本內容：

import pdfplumber import pandas as pdwith pdfplumber.open(path) as pdf: content = ''for i in range(len(pdf.pages)):# 讀取PDF文檔第i+1頁page = pdf.pages[i] # page.extract_text()函數(shù)即讀取文本內容，下面這步是去掉文檔最下面的頁碼page_content = '\n'.join(page.extract_text().split('\n')[:-1])content = content + page_content# 提取以上解析結果中，“地方法規(guī)”和“2.其他有關資料”之間的內容 result = content.split('地方法規(guī)列舉如下：')[1].split('2.其他有關資料')[0]

2. 解析表格內容

pdfplumber中的extract_tables()函數(shù)是可以直接識別PDF中的表格的，使用extract_tables函數(shù)得到的是Table一個嵌套的List類型，轉化成DataFrame會更方便查看和分析。

import pdfplumber import pandas as pdwith pdfplumber.open(path) as pdf: first_page = pdf.pages[0] tables = first_page.extract_tables()for table in tables df = pd.DataFrame(table) # 第一列當成表頭： df = pd.DataFrame(table[1:],columns=table[0])

4.?Camelot

Camelot讀取PDF文件中的表格數(shù)據(jù)很好用，并且能夠很好的支持中文，但是Camelot有很多局限性：

• 首先，使用stream時，表格無法被自動偵測到，stream把整個頁面當成一個table。
• 其次，camelot只用使用基于文本的PDF文件而不能使用掃描文檔。

import camelot import pandas as pdtables = camelot.read_pdf(filepath=path,pages='1',flavor='stream') df = pd.DataFrame(tables[0].data)

綜上所述，建議使用pdfplumber擴展包來解析PDF文檔的文本和表格，如果只解析文本內容，也可以使用pdfminer ，而解析英文文檔內容，可以使用PyPDF2。
?

?

?

?

總結

以上是生活随笔為你收集整理的python解析并读取PDF文件：函数总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。