玩转python轻松过二级pdf文件,教你用python玩转PDF文档

爱被打了一巴掌 2023-01-17 08:25 190阅读 0赞

点击上方“Python3X”，选择“置顶或者星标”

第一时间收到精彩推送！

python作为一种具有相对简单语法的高级解释语言，即使对于那些没有编程经验的人来说，Python也是简单易操作的。强大的Python库让你事半功倍。在处理文本信息时，通常我们需要从word、PDF文档中提取出信息，而PDF是最重要和最广泛使用的用来呈现和交换文件的数字媒体之一，。PDF包含有用的信息，链接和按钮，表单域，音频，视频和业务逻辑。python库很好地集成并提供处理非结构化数据源。运用python可以轻松从PDF中提取有用信息后，您可以轻松地将该数据用于任何机器学习或自然语言处理模型。

常见的Python库以下是可用于处理PDF文件的一些Python库PDFMiner ：一个从PDF文档中提取信息的工具。与其他PDF相关工具不同，它完全专注于获取和分析文本数据。

PyPDF2 ：一个纯python PDF库，能够分割，合并，裁剪和转换PDF文件的页面。它还可以向PDF文件添加自定义数据，查看选项和密码。它可以从PDF中检索文本和元数据，以及将整个文件合并在一起。

Tabula-py：一个 tabula-java的简单Python包装器，它可以读取PDF表。您可以从PDF读取表格并转换为pandas的DataFrame。tabula-py还允许您将PDF文件转换为CSV / TSV / JSON文件。

Slate：PDFMiner的包装器实现

PDFQuery：pdfminer，lxml和pyquery的轻量级包装器。它旨在使用尽可能少的代码可靠地从PDF集合中提取数据。

xpdf：xpdf的 Python包装器(目前只是“pdftotext”实用程序)

从pdf中提取文本使用PyPDF2从pdf中提取简单文本，示例代码如下：import PyPDF2\# pdf file object\# you can find find the pdf file with complete code in belowpdfFileObj = open('example.pdf', 'rb')\# pdf reader objectpdfReader = PyPDF2.PdfFileReader(pdfFileObj)\# number of pages in pdfprint(pdfReader.numPages)\# a page objectpageObj = pdfReader.getPage(0)\# extracting text from page.\# this will print the text you can also save that into Stringprint(pageObj.extractText())

\# pdf file object

\# you can find find the pdf file with complete code in below

pdfFileObj = open('example.pdf', 'rb')

\# pdf reader object

pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

\# number of pages in pdf

print(pdfReader.numPages)

\# a page object

pageObj = pdfReader.getPage(0)

\# extracting text from page.

\# this will print the text you can also save that into String

print(pageObj.extractText())

从pdf中读取表格数据使用Pdf中的Table数据，我们可以使用Tabula-py,示例代码如下：import tabula\# readinf the PDF file that contain Table Data\# you can find find the pdf file with complete code in below\# read\_pdf will save the pdf table into Pandas Dataframedf = tabula.read\_pdf("offense.pdf")\# in order to print first 5 lines of Tabledf.head()

\# readinf the PDF file that contain Table Data

\# you can find find the pdf file with complete code in below

\# read\_pdf will save the pdf table into Pandas Dataframe

df = tabula.read\_pdf("offense.pdf")

\# in order to print first 5 lines of Table

df.head()

如果您的Pdf文件包含多个表，可以进行如下设置：df = tabula.read\_pdf(“crime.pdf”，multiple\_tables = True)

还可以从任何特定PDF页面的特定部分提取信息tabula.read\_pdf(“crime.pdf”，area =(126,149,212,462)，pages = 1)149,212,462)，pages = 1)

设置读取输出为JSON格式

tabula.read\_pdf(“crime.pdf”，output\_format =“json”)

将Pdf导出到Excel使用以下代码将PDF数据转换为Excel或CSVtabula.convert\_into(“crime.pdf”，“crime\_testing.xlsx”，output\_format =“xlsx”)

更多参考资料