使用Python將PDF表格提取到文本,CSV和Excel文件中
從PDF文檔中提取表格并將其轉(zhuǎn)換為更易于處理的格式（如文本、CSV和Excel文件），是數(shù)據(jù)分析和信息管理中的常見需求。此過程可顯著簡化表格數(shù)據(jù)的處理，使數(shù)據(jù)的操作、分析和與其他數(shù)據(jù)集的集成更加便捷。無論是財務報表、研究論文，還是包含結(jié)構(gòu)化信息的其他文檔，掌握這些表格準確轉(zhuǎn)換的方法對于充分發(fā)揮數(shù)據(jù)潛力至關(guān)重要。
本文將介紹如何使用簡單的Python代碼從PDF文檔中提取表格數(shù)據(jù)并將其寫入文本、CSV和Excel文件，從而輕松實現(xiàn)PDF表格的自動化提取。
本文所需的庫為Spire.PDF for Python?？赏ㄟ^PyPI安裝：pip install spire.pdf。
用于操作的示例PDF
如何使用Python提取PDF表格數(shù)據(jù)
庫中的PdfTableExtractor類用于處理PDF文檔的表格提取。可以通過PdfTableExtractor.ExtractTable(pageIndex: int)方法從PDF頁面中提取表格，并以Utilities_PdfTable對象的集合形式返回表格數(shù)據(jù)。接著，可通過遍歷表格并使用Utilities_PdfTable.GetCellText(rowIndex: int, columnIndex: int)方法獲取每個單元格中的數(shù)據(jù)。
提取PDF表格數(shù)據(jù)的一般步驟如下：
- 創(chuàng)建一個PdfDocument實例并使用PdfDocument.LoadFromFile()方法加載PDF文檔。
- 使用該文檔創(chuàng)建PdfTableExtractor實例。
- 使用PdfTableExtractor.ExtractTable(pageIndex: int)方法提取文檔中每頁的表格。
- 遍歷每個表格并使用Utilities_PdfTable.GetCellText(rowIndex: int, columnIndex: int)方法獲取單元格值。
- 將提取的表格數(shù)據(jù)寫入其他文件。
注意：當使用提取的表格數(shù)據(jù)構(gòu)建字符串時，如果單元格文本中包含換行符，最終生成的文本文件中可能會多出額外的換行符。為了避免造成混淆，應將這些換行符去除或替換為空格。
用Python將PDF表格數(shù)據(jù)提取為文本文件
提取PDF文檔中的表格數(shù)據(jù)后，可直接將每個表格的數(shù)據(jù)寫入字符串并保存到文本文件中，從而實現(xiàn)將PDF表格數(shù)據(jù)導出為文本文件。
具體步驟如下：
1.導入所需模塊：PdfDocument和PdfTableExtractor。
2.創(chuàng)建PdfDocument實例并使用PdfDocument.LoadFromFile()方法加載PDF文檔。
3.使用該文檔創(chuàng)建PdfTableExtractor實例。
4.使用PdfTableExtractor.ExtractTable(pageIndex: int)方法提取每頁中的表格。
5.遍歷提取的表格：
- 創(chuàng)建一個str對象以存儲表格數(shù)據(jù)。
- 使用Utilities_PdfTable.GetCellText(rowIndex: int, columnIndex: int)方法獲取單元格值。
- 將單元格值追加到str對象中。
- 將str對象寫入文件。
6.釋放資源
代碼示例
from spire.pdf import PdfDocument, PdfTableExtractor
# 創(chuàng)建一個 PdfDocument 對象
pdf = PdfDocument()
# 加載一個 PDF 文檔
pdf.LoadFromFile("Sample.pdf")
# 創(chuàng)建一個 PdfTableExtractor 對象
extractor = PdfTableExtractor(pdf)
# 遍歷所有頁面
for pageIndex in range(pdf.Pages.Count):
# 從每個 PDF 頁面中提取表格
tables = extractor.ExtractTable(pageIndex)
# 如果存在多個表格，則遍歷這些表格
if tables is not None:
for tableIndex in range(len(tables)):
# 獲取一個表格
table = tables[tableIndex]
# 創(chuàng)建一個字符串對象來存儲表格數(shù)據(jù)
tableData = ""
# 遍歷表格的行和列
for rowIndex in range(table.GetRowCount()):
for colIndex in range(table.GetColumnCount()):
# 獲取單元格文本
text = table.GetText(rowIndex, colIndex)
text = text.replace("\n", " ")
# 將單元格文本添加到表格數(shù)據(jù)中
tableData += text
if colIndex < table.GetColumnCount() - 1:
tableData += "\t"
tableData += "\n"
# 將表格數(shù)據(jù)寫入文本文件
with open(f"output/Tables/Page{pageIndex+1}-Table{tableIndex+1}.txt", "w", encoding="utf-8") as f:
f.write(tableData)
# 釋放資源
pdf.Dispose()
輸出結(jié)果
用Python將PDF表格數(shù)據(jù)提取為CSV文件
同樣，可以使用類似方法從PDF文檔中提取表格數(shù)據(jù)，并利用Python標準庫中的CSV模塊將每個表格寫入CSV文件。在此過程中也需注意去除或替換換行符，以改善CSV文件的結(jié)果。具體步驟如下：
1.導入所需模塊：PdfDocument、PdfTableExtractor和CSV。
2.創(chuàng)建PdfDocument實例并使用PdfDocument.LoadFromFile()方法加載PDF文檔。
3.使用該文檔創(chuàng)建PdfTableExtractor實例。
4.使用PdfTableExtractor.ExtractTable(pageIndex: int)方法提取每頁中的表格。
5.遍歷提取的表格：
- 創(chuàng)建CSV文件。
- 遍歷表格中的行并創(chuàng)建列表以存儲行數(shù)據(jù)。
- 使用Utilities_PdfTable.GetCellText(rowIndex: int, columnIndex: int)方法獲取每行的單元格值并追加到列表中。
- 使用csv.writer().writerow()方法將每行寫入CSV文件。
6.釋放資源。
代碼示例
from spire.pdf import PdfDocument, PdfTableExtractor
import csv
# 創(chuàng)建一個 PdfDocument 對象
pdf = PdfDocument()
# 加載一個 PDF 文檔
pdf.LoadFromFile("Sample.pdf")
# 創(chuàng)建一個 PdfTableExtractor 對象
extractor = PdfTableExtractor(pdf)
# 遍歷所有頁面
for pageIndex in range(pdf.Pages.Count):
# 從每個 PDF 頁面中提取表格
tables = extractor.ExtractTable(pageIndex)
# 如果存在多個表格，則遍歷這些表格
if tables is not None:
for tableIndex in range(len(tables)):
# 獲取一個表格
table = tables[tableIndex]
# 創(chuàng)建一個 CSV 文件
with open("output/Tables/Page" + str(pageIndex+1) + "-Table" + str(tableIndex+1) + ".csv", "w", newline='', encoding='utf-8') as csvFile:
writer = csv.writer(csvFile)
# 遍歷表格的行和列
for rowIndex in range(table.GetRowCount()):
row = []
for colIndex in range(table.GetColumnCount()):
# 獲取單元格文本
text = table.GetText(rowIndex, colIndex)
text = text.replace('\n', ' ')
row.append(text)
writer.writerow(row)
# 釋放資源
pdf.Dispose()
輸出結(jié)果
用Python將PDF表格數(shù)據(jù)提取到Excel工作表
可使用另一庫Spire.XLS for Python將提取的PDF表格數(shù)據(jù)寫入Excel工作表。通過PyPI獲取Spire.PDF for Python：pip install spire.xls。
具體步驟如下：
1.導入所需模塊：PdfDocument、PdfTableExtractor、Workbook和spire.xls.FileFormat。
2.創(chuàng)建PdfDocument實例并使用PdfDocument.LoadFromFile()方法加載PDF文檔。
3.創(chuàng)建Workbook實例用于存儲表格，并使用Workbook.Worksheets.Clear()方法清除默認工作表。
4.使用該文檔創(chuàng)建PdfTableExtractor實例。
5.使用PdfTableExtractor.ExtractTable(pageIndex: int)方法提取每頁中的表格。
6.遍歷提取的表格：
- 使用Workbook.Worksheets.Add(sheetName: str)方法為每個表格添加工作表。
- 使用Utilities_PdfTable.GetCellText(rowIndex: int, columnIndex: int)方法獲取表格的單元格值。
- 通過Worksheet.Range[rowIndex + 1, colIndex + 1].Text屬性將單元格值寫入相應的工作表單元格。
7.使用Workbook.SaveToFile()方法保存工作簿。
8.釋放資源。
代碼示例
from spire.pdf import PdfDocument, PdfTableExtractor
from spire.xls import Workbook, FileFormat, HorizontalAlignType
# 創(chuàng)建一個 PdfDocument 對象
pdf = PdfDocument()
# 加載一個 PDF 文檔
pdf.LoadFromFile("Sample.pdf")
# 創(chuàng)建一個 Workbook 對象
workbook = Workbook()
# 清除默認的工作表
workbook.Worksheets.Clear()
# 創(chuàng)建一個 PdfTableExtractor 對象
extractor = PdfTableExtractor(pdf)
# 從每個 PDF 頁面中提取表格
for pageIndex in range(pdf.Pages.Count):
tables = extractor.ExtractTable(pageIndex)
# 如果存在多個表格，則遍歷這些表格
if tables is not None:
for tableIndex in range(len(tables)):
# 獲取一個表格
table = tables[tableIndex]
# 為表格創(chuàng)建一個工作表
sheet = workbook.Worksheets.Add(f"Page{pageIndex + 1}-Table{tableIndex + 1}")
# 遍歷表格的行和列
for rowIndex in range(table.GetRowCount()):
for colIndex in range(table.GetColumnCount()):
# 獲取單元格值
text = table.GetText(rowIndex, colIndex)
cellText = text.replace("\n", "")
# 將單元格值寫入工作表的相應單元格
sheet.Range[rowIndex + 1, colIndex + 1].Text = cellText
# 可選：自定義表格的外觀
# 設置標題行樣式
sheet.Rows.get_Item(0).Style.Font.FontName = "Yu Gothic UI"
sheet.Rows.get_Item(0).Style.Font.Size = 12
sheet.Rows.get_Item(0).Style.Font.IsBold = True
sheet.Rows.get_Item(0).Style.HorizontalAlignment = HorizontalAlignType.Center
# 設置數(shù)據(jù)行樣式
for i in range(1, sheet.Rows.Count):
sheet.Rows.get_Item(i).Style.Font.FontName = "Yu Gothic UI"
sheet.Rows.get_Item(i).Style.Font.Size = 12
sheet.Rows.get_Item(i).Style.HorizontalAlignment = HorizontalAlignType.Left
# 自動調(diào)整列寬
for j in range(1, sheet.Columns.Count):
sheet.AutoFitColumn(j)
# 保存工作簿
workbook.SaveToFile("output/PDFTableToExcel.xlsx", FileFormat.Version2016)
# 釋放資源
workbook.Dispose()
pdf.Close()
輸出結(jié)果
使用Python直接將PDF轉(zhuǎn)換為Excel文件
還可以使用PdfDocument.SaveToFile(fileName: str, FileFormat.XLSX)方法將PDF文檔直接轉(zhuǎn)換為Excel文件。此方法適用于以表格為主的PDF文檔，有助于盡可能保留表格的原始外觀。
為減少轉(zhuǎn)換后Excel表格中的空白，可以在轉(zhuǎn)換前去除PDF文檔的邊距。參考以下文章：
直接將PDF文檔轉(zhuǎn)換為Excel文件的具體步驟如下：
1.導入所需模塊：PdfDocument和FileFormat。
2.創(chuàng)建一個PdfDocument實例。
3.使用PdfDocument.LoadFromFile()方法加載PDF文檔。
4.將文檔轉(zhuǎn)換為Excel文件并使用PdfDocument.SaveToFile(fileName: str, FileFormat.XLSX)方法保存。
5.釋放資源。
代碼示例
from spire.pdf import PdfDocument, FileFormat
# 創(chuàng)建一個 PdfDocument 實例
pdf = PdfDocument()
# 加載一個 PDF 文檔
pdf.LoadFromFile("Sample.pdf")
# 將 PDF 文檔轉(zhuǎn)換為 Excel 文件
pdf.SaveToFile("output/PDFToExcel.xlsx", FileFormat.XLSX)
# 關(guān)閉 PDF 文檔
pdf.Close()
輸出結(jié)果
到此這篇關(guān)于使用Python將PDF表格提取到文本,CSV和Excel文件中的文章就介紹到這了,更多相關(guān)Python PDF表格提取內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
Python遍歷指定文件夾下的所有文件名的方法小結(jié)
當需要遍歷指定文件夾下的所有文件名時,Python提供了多種方法來實現(xiàn)這個任務,本文將介紹如何使用Python來完成這一任務,有需要的小伙伴可以參考下2024-01-01
這篇文章主要介紹了python3如何清除過濾emoji表情問題,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-08-08
Tensorflow中k.gradients()和tf.stop_gradient()用法說明
這篇文章主要介紹了Tensorflow中k.gradients()和tf.stop_gradient()用法說明，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-06-06
這篇文章主要介紹在python的re模塊中怎樣應用正則表達式，文中有相關(guān)的代碼示例，具有一定的參考價值,需要的朋友可以參考下2023-06-06
學生如何注冊Pycharm專業(yè)版以及pycharm的安裝
這篇文章主要介紹了學生如何注冊Pycharm專業(yè)版以及pycharm的安裝,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2020-09-09
Django Rest framework權(quán)限的詳細用法
這篇文章主要介紹了Django Rest framework權(quán)限的詳細用法,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2019-07-07
Python是一種非常靈活的編程語言，可以混合使用同步和異步函數(shù)來實現(xiàn)更高效的編程。本文將介紹如何在Python中混合使用同步和異步函數(shù)，以及如何在不同場景下選擇合適的函數(shù)，感興趣的可以了解一下2023-03-03
python爬蟲框架scrapy實現(xiàn)模擬登錄操作示例
這篇文章主要介紹了python爬蟲框架scrapy實現(xiàn)模擬登錄操作,結(jié)合實例形式分析了scrapy框架實現(xiàn)模擬登陸操作的步驟、相關(guān)實現(xiàn)技巧與注意事項,需要的朋友可以參考下2018-08-08
這篇文章介紹Python中的Numpy 矩陣運算,NumPy是Python的一種開源的數(shù)值計算擴展.這種工具可用來存儲和處理大型矩陣,比Python自身的嵌套列表結(jié)構(gòu)要高效的多,支持大量的維度數(shù)組與矩陣運算,此外也針對數(shù)組運算提供大量的數(shù)學函數(shù)庫,下面詳細內(nèi)容,需要的朋友可以參考一下2021-11-11
python?rpyc客戶端調(diào)用服務端方法的注意說明
這篇文章主要介紹了python?rpyc客戶端調(diào)用服務端方法的注意說明，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-06-06