杭州國立公證處-公正搖號 會不定期公布杭州各個樓盤的購房意向登記匯總表和搖號結果，里面公開的數據是很全面的，對于想要分析一波數據搞點事情的人來說，挺有吸引力的。

但當你興沖沖地去官網下載完數據，一看傻眼了，為啥這個數據是 PDF 格式的，明明可以上傳為 Excel 的。如果頁數少點的話，沒準可以手動粘貼到 Excel里，但當映入眼簾的是一個多達 500 頁的 PDF，想讓我手動粘到 Excel 是不可能的，這輩子都不可能。

身為一名互聯網行業的數據分析師，要是獲取到了數據卻只能眼睜睜的看著，沒法下手，這是絕對不允許的。

于是，開始搜 Python 從 PDF 中提取 Excel 表格的教程，第一個搜到的是 Tabula，專門用于從 PDF 中提取 Excel 表格，官網如下：tabula?tabula.technology

Github 地址在這里：chezou/tabula-py?github.com

先安裝一下，使用：

pip install tabula-py

特別注意的是，tabula-py 運行時依賴于Java 環境，所以還得安裝一下Java。

裝好后，用起來也非常簡單，下面是一個簡單的例子：

import tabula

tabula.convert_into('HZ_YaoHao.pdf', 'HZ_YaoHao.csv', output_format = 'csv')

其中 HZ_YaoHao.pdf 文件中的數據是這個樣子的：

只需要一行代碼，就可以把 PDF 文件中的表格轉為 csv，真的是相當簡單哪。

結果看一眼轉為 CSV 的數據，怎么有種亂不糟糟的感覺 。。。

對比一下原來的 PDF 文件，會發現，在涉及到 換行的地方，轉換的 CSV 文件都會出現問題，比如標題 是否無房家庭，就被拆成了是否無房、家庭，而且分布在文件中的不同行，還有查檔編號有兩行的，也會被拆分到不同的行，使數據看起來很亂。

看來問題不是這么簡單就解決的，不過如果 PDF 表格數據沒有換行，而且比較規整的話，使用 Tabula 的性價比還是非常高的，簡單一行代碼就能搞定。

需要注意的是，上述代碼默認只會轉化 PDF 的第一頁，想要轉換所有頁數的話，加一個 pages 參數，使 pages = 'all' 即可。

tabula.convert_into('HZ_YaoHao.pdf','HZ_YaoHao.csv',output_format='csv',pages='all')

接下來，又搜到了 pdfplumber，可以從 PDF 中提取出表格、文本、矩形和線條的信息，同時支持可視化調試，看上去挺高大上的。

Github 地址如下：jsvine/pdfplumber?github.com

先安裝一下：

pip install pdfplumber

使用一下試試：

import pdfplumber

pdf = pdfplumber.open('HZ_YaoHao.pdf')

print(pdf.pages)

pdfplumber 調用 Open 方法打開 PDF 文件，輸出 pages 信息，部分結果如下：

[, ,

... ]

可見，pdf.pages 返回的是一個列表，列表里是每一頁的 Page 對象，所以通過遍歷這個列表，就可以拿到 PDF 文件每一頁的信息。

我們來捋一下思路：先拿到 PDF 文件的某一頁，比如第一頁 pdf.pages[0]，然后從中提取出表格數據，轉成 Pandas 中的 DataFrame 格式 ( 不懂 Pandas 的同學可以移步我的專欄：Python 數據分析利器 -- Pandas )，輸出為CSV 或 Excel 文件，搞定，代碼可以這樣實現：

import pdfplumber

import pandas as pd

# 打開 PDF 文件

pdf = pdfplumber.open('HZ_YaoHao.pdf')

# 獲取 PDF 文件的第一頁信息

page0 = pdf.pages[0]

# 從 PDF 中提取表格

table = page0.extract_table()

# 將表格數據轉化為 DataFrame 格式

yaohao_df = pd.DataFrame(table)

# 輸出第一行數據

print(yaohao_df.loc[0])

# 保存到 CSV 文件

yaohao_df.to_csv('yaohao.csv', index = False, header = True)

第一行輸出結果如下：

0 購房登記號

1 購房人姓名

2 購房人證件號碼

3 是否無房\n家庭

4 查檔編號

5 其他購房人及家庭成員

6 其他購房人及家庭成員證件號碼

Name: 0, dtype: object

可以看到，對于原表格中有換行的 是否無房家庭，轉化完后會多出一個換行符 \n 。

再來看一下 CSV 文件中的數據：

可以發現，是否無房家庭因為有換行符 \n，所以進行了換行，同理，A0004 和 A0005 兩行因為原 PDF 表格中有上下兩行，也進行了換行。也就是說，如果 PDF 表格中的某一個單元格有多行，pdfplumber 在解析其中的表格時都會添加一個 \n 的換行符，這樣問題就簡單了，把轉換后的所有字符串中的 \n 替換為空字符串，問題是不是就可以解決了，我們來嘗試一下，

在調用 yaohao_df.to_csv( ) 之前添加一行：

yaohao_df.replace(to_replace = r'\n', value = '', regex = True, inplace = True)

使用正則表達式，將 yaohao_df 中的所有 \n 替換為空，CSV 文件結果如下：

這樣的結果看起來就整齊多了，不足的是首行 0,1,2,3,4,5,6，讓人看起來不是很舒服，原因是PDF 表格中的標題行也被當成了 DataFrame 中的一行，這個需要特殊處理一下，同時上述程序只處理了第 1 頁，需要改成處理所有的頁碼，完整的程序如下：

import pdfplumber

import pandas as pd

pdf = pdfplumber.open('HZ_YaoHao.pdf')

total_pd = pd.DataFrame()

pdf_columns = list()

for page in range(len(pdf.pages)):

print(page)

if len(pdf.pages) > 0:

temp_table = pdf.pages[page].extract_table()

if page == 0:

temp_df = pd.DataFrame(temp_table[1:], columns = temp_table[0])

temp_df.columns = [ temp.replace('\n', '') for temp in temp_df.columns ]

pdf_columns = temp_df.columns

else:

temp_df = pd.DataFrame(temp_table)

temp_df.columns = pdf_columns

temp_df.replace(to_replace = r'\n', value = '', regex = True, inplace = True)

total_pd = pd.concat([total_pd, temp_df], ignore_index = True)

# 保存到 CSV 文件

total_pd.to_csv('yaohao.csv', header = True, index = False)

# 保存到 Excel 文件

total_pd.to_excel('yaohao.xlsx', header = True, index = False)

來看看最終的效果，CSV 和 Excel 文件各 547 行：

CSV 文件：

Excel 文件：

至此，杭州搖號 PDF 中的購房意向登記匯總表 數據就完美的轉化成了 CSV 和 Excel 格式，但當你試圖把它套用在搖號結果的 PDF 中時，卻發現根本不起作用，原 PDF 中的數據如下：

因為程序不會識別這是一個表格，看來搖號結果的 PDF 又是另一種處理思路了。

另一個問題，官網已經有 150 多個樓盤的數據了，一個一個去下載真的很麻煩啊，有沒有辦法一次性下載所有的 PDF 文件，然后一次性用程序處理呢？

當然可以啊，用 Python 寫個爬蟲抓一下數據，把所有文件存到某個文件目錄下，然后統一把該目錄下的 PDF 文件轉化為 CSV 和 Excel 文件就好啦，且聽下回分解。

總結

以上是生活随笔為你收集整理的python csv转excel_使用 Python 把 PDF 转为 CSV 和 Excel（一）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站內容還不錯，歡迎將生活随笔推薦給好友。