如何从pdf中提取表格（图片型pdf）

937135952

def getFile(url,name):
    print("提取pdf")
    file_name = name
    u = urllib.request.urlopen(url)
    block_sz = 8192
    with open("D:\\report\"+file_name, 'wb') as f:
        while True:
            buffer = u.read(block_sz)
            if buffer:
                f.write(buffer)
            else:
                break
    print("Sucessful to download" + " " + file_name)

无法提取，请教一下有没有其他可行的方法

Mike_python小

import pdfplumber
import pandas as pd

def read_pdf(read_path, save_path):
    pdf_2020 = pdfplumber.open(read_path)
    result_df = pd.DataFrame()
    for page in pdf_2020.pages:
        table = page.extract_table()
        print(table)
        df_detail = pd.DataFrame(table[1:], columns=table[0])
        result_df = pd.concat([df_detail, result_df], ignore_index=True)
    result_df.dropna(axis=1, how='all', inplace=True)
    result_df.columns = ['奖项', '作品编号', '作品名称', '参赛学校', '作者', '指导老师']
    result_df.to_excel(excel_writer=save_path, index=False, encoding='utf-8')

read_path = r'2020年中国大学生计算机设计大赛参赛作品获奖名单.pdf'
save_path = r'2020年中国大学生计算机设计大赛参赛作品获奖名单.xlsx'
read_pdf(read_path, save_path)

https://blog.csdn.net/m0_59236127/article/details/122712637这个链接可能会帮到你

如果这个回答对你有帮助，请设置“最佳答案”！

编程追风梦

这里使用camelot提取数据

import camelot
tables = camelot.read_pdf(pdf_filepath, pages='1-end')
for item in tables:
    df = item.df
    # item.to_csv('test.csv')
    # item.to_excel('test.xlsx')

• pages使用’1-end’就可以读取pdf文件所有页
• 这里将每个表格数据转换为pandas DataFrame(df)
• 也可以直接导出CSV，Excel文件：to_csv，to_excel
  

但现实中我们的需求往往更复杂

实例需求：多个pdf文件，每个pdf可能有多页，要求提取指定列的所有数据，并去重，最终导出excel文件

import camelot
import glob
import openpyxl

# 导出excel文件
def write_excel_xlsx(path, sheet_name, value):
    index = len(value)
    workbook = openpyxl.Workbook()
    sheet = workbook.active
    sheet.title = sheet_name

    for i in range(0, index):
        sheet.cell(row=i+1, column=1, value=str(value[i]))

    workbook.save(path)
    print("xlsx格式表格写入数据成功！")

directory = './*.pdf'
files = [filename for filename in glob.glob(directory)]

result = []

for pdf_filepath in files:
    print(pdf_filepath)
    tables = camelot.read_pdf(pdf_filepath, pages='1-end')
    for item in tables:
        df = item.df
        try:
            # 这里取第6列数据
            itemData = df[5].to_list()
            result = result + itemData
            print(itemData)
        except Exception:
            print('异常')
# 过滤空白和标题数据
result = [x for x in result if x != '' and x != '标题名']
# 去重
result = list(set(result))
write_excel_xlsx('./result.xlsx', 'sheet1', result)

• 使用glob遍历文件夹下所有pdf文件，批量处理
• 使用camelot提取表格数据为pandas DataFrame
• 取第6列数据，并过滤掉空白数据和标题数据，同时过滤重复数据
• 使用openpyxl导出第6列数据到excel文件
  

转载原文：https://codeantenna.com/a/sIZGHFRXvF
                  https://blog.csdn.net/m0_59236127/article/details/122712637

如果文章帮助到你的话，给我个最佳答案吧，我缺最佳答案