python解析pdf方法介绍（入门级）

客官°小女子只卖身不卖艺 2023-10-06 09:06 19阅读 0赞

python解析pdf信息，目前还是不能做到很完善，每个方法都会有它的弊端，都需要结合自己的业务场景来和其它方法一块进行使用，从而达到一个相对满意的目标。接下来主要介绍四种目前我了解到的方法（也是某博主写的，感觉很好搬运过来了）  
**一、PyPDF2 解析 PDF 文档**  
这里主要参考了 2019-03-07，Usman Malik 写的一篇文章：Python for NLP: Working with Text and PDF Files  
使用 Python 安装 PyPDF2 扩展包：

pip install PyPDF2
    #---------OR
    conda install -c conda-forge pypdf2

读取 PDF 文件

import PyPDF2
    path = r"****.pdf"
    #使用open的‘rb’方法打开pdf文件（这里必须得使用二进制rb的读取方式）
    mypdf = open(path,mode='rb')
    #调用PdfFileReader函数
    pdf_document = PyPDF2.PdfFileReader(mypdf)
    #使用pdf_document变量，获取各个信息
    #或者PDF文档的页数
    pdf_document.numPages
    #输出PDF文档的第一页内容
    first_page = pdf_document.getPage(0)
    print(first_page.extractText())

PyPDF2 方法对中文的支持不好，而对英文的支持会很好，所以如果处理中文文档的话，可以使用下面这个方法。  
**二、pdfplumber 解析 PDF 文档**  
先安装需要的包文件

pip install pdfplumber

（1）解析文本内容  
pdfplumber 中的 extract\_text 函数是可以直接识别 PDF 中的文本内容。  
首先读取整个 PDF 文档文本内容

import pdfplumber
    import pandas as pd
    with pdfplumber.open(path) as pdf: 
        content = ''
        #len(pdf.pages)为PDF文档页数
        for i in range(len(pdf.pages)):
          #pdf.pages[i] 是读取PDF文档第i+1页
            page = pdf.pages[i]
            #page.extract_text()函数即读取文本内容，下面这步是去掉文档最下面的页码
            page_content = '\n'.join(page.extract_text().split('\n')[:-1])
            content = content + page_content
        print(content)

根据指定的某个需要提取的前后标志字段，可以截取需要信息

print(content.split('截取文本的前一信息')[1].split('截取文本后一信息')[0])

2）解析表格内容  
上面介绍了 pdfplumber 解析文本内容的方法，这里介绍一下解析表格内容的方法，和上面十分类似，pdfplumber 中的 extract\_tables 函数是可以直接识别 PDF 中的表格的。  
由于使用 extract\_tables 函数得到的是 Table 一个嵌套的 List 类型，转化成 DataFrame 会更方便查看和分析。

import pdfplumber
    import pandas as pd
    
    with pdfplumber.open(path) as pdf:      
        first_page = pdf.pages[0]
        for table in first_page.extract_tables(): 
            df = pd.DataFrame(table)
    df

看完上面的可以知道 pdfplumber 扩展包可以非常好的解析 PDF 的文本内容和表格内容，并且对中文有很好的支持，十分推荐使用该方法。

**三、pdfminer3k 解析 PDF 文档**  
pdfminer3k 是 pdfminer 的 python3 版本，主要用于读取 pdf 中的文本。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwNjUzNjMx_size_16_color_FFFFFF_t_70]  
pdfminer 方法解析 PDF 可以很好的提取文本内容，但是对于表格数据，能提取出文字，但是没有格式，会很不友好。因此你如果只需要提取文本内容的话，可以使用 pdfminer 扩展包，这个包也能很好的支持中文。

**四、Camelot 解析 PDF 文档**  
Camelot 先使用 pip install camelot-py 语句安装，注意也需要安装cv2 包

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

Camelot 读取 PDF 文件中的表格数据很好用，并且能够很好的支持中文，但是 Camelot 有很多局限性。

首先，使用 stream 时，表格无法被自动侦测到，stream 把整个页面当成一个 table。  
其次，camelot 只用使用基于文本的 PDF 文件而不能使用扫描文档。

综上所述，建议使用 pdfplumber 扩展包来解析 PDF 文档的文本和表格，如果只解析文本内容，也可以使用 pdfminer ，而解析英文文档内容，可以使用 PyPDF2 。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwNjUzNjMx_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/202005191447241.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMwNjUzNjMx,size_16,color_FFFFFF,t_70