如何从pdf中提取表格（图片型pdf）

937135952

1. def getFile(url,name):
   
2.     print("提取pdf")
   
3.     file_name = name
   
4.     u = urllib.request.urlopen(url)
   
5.     block_sz = 8192
   
6.     with open("D:\\report\"+file_name, 'wb') as f:
   
7.         while True:
   
8.             buffer = u.read(block_sz)
   
9.             if buffer:
   
10.                 f.write(buffer)
    
11.             else:
    
12.                 break
    
13.     print("Sucessful to download" + " " + file_name)

复制代码

无法提取，请教一下有没有其他可行的方法

Mike_python小

1. import pdfplumber
   
2. import pandas as pd
   
3. 
   
4. def read_pdf(read_path, save_path):
   
5.     pdf_2020 = pdfplumber.open(read_path)
   
6.     result_df = pd.DataFrame()
   
7.     for page in pdf_2020.pages:
   
8.         table = page.extract_table()
   
9.         print(table)
   
10.         df_detail = pd.DataFrame(table[1:], columns=table[0])
    
11.         result_df = pd.concat([df_detail, result_df], ignore_index=True)
    
12.     result_df.dropna(axis=1, how='all', inplace=True)
    
13.     result_df.columns = ['奖项', '作品编号', '作品名称', '参赛学校', '作者', '指导老师']
    
14.     result_df.to_excel(excel_writer=save_path, index=False, encoding='utf-8')
    
15. 
    
16. 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'
    
17. 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'
    
18. read_pdf(read_path, save_path)
    

复制代码

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

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

复制代码

• 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

1. import camelot
   
2. import glob
   
3. import openpyxl
   
4. 
   
5. # 导出excel文件
   
6. def write_excel_xlsx(path, sheet_name, value):
   
7.     index = len(value)
   
8.     workbook = openpyxl.Workbook()
   
9.     sheet = workbook.active
   
10.     sheet.title = sheet_name
    
11. 
    
12.     for i in range(0, index):
    
13.         sheet.cell(row=i+1, column=1, value=str(value[i]))
    
14. 
    
15.     workbook.save(path)
    
16.     print("xlsx格式表格写入数据成功！")
    
17. 
    
18. directory = './*.pdf'
    
19. files = [filename for filename in glob.glob(directory)]
    
20. 
    
21. result = []
    
22. 
    
23. for pdf_filepath in files:
    
24.     print(pdf_filepath)
    
25.     tables = camelot.read_pdf(pdf_filepath, pages='1-end')
    
26.     for item in tables:
    
27.         df = item.df
    
28.         try:
    
29.             # 这里取第6列数据
    
30.             itemData = df[5].to_list()
    
31.             result = result + itemData
    
32.             print(itemData)
    
33.         except Exception:
    
34.             print('异常')
    
35. # 过滤空白和标题数据
    
36. result = [x for x in result if x != '' and x != '标题名']
    
37. # 去重
    
38. result = list(set(result))
    
39. write_excel_xlsx('./result.xlsx', 'sheet1', result)
    

复制代码

• 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