Python教程：pdfplumber提取pdf中的表格数据

之前讲过的pdfplumber模块，可以用来提取pdf中的表格数据。今天小编就为大家带来实例讲解。

作为一个强大的pdf文件解析工具，pdfplumber库可迅速将pdf文档转换为易于处理的txt文档，并输出pdf文档的字符、页面、页码等信息，还可进行页面可视化操作。使用pdfplumber库前需先安装，即在cmd命令行中输入：

pip install pdfplumber

pdfplumber库提供了两种pdf表格提取函数，分别为.extract_tables( )及.extract_table( )，两种函数提取结果存在差异。为进行演示，我们网站上下载了一份短期融资券主体信用评级报告，为pdf格式。任意选取某一表格，其界面如下：

（1）.extract_tables( )

可输出页面中所有表格，并返回一个嵌套列表，其结构层次为table→row→cell。此时，页面上的整个表格被放入一个大列表中，原表格中的各行组成该大列表中的各个子列表。若需输出单个外层列表元素，得到的便是由原表格同一行元素构成的列表。例如，我们执行如下程序：

import pdfplumber 
with pdfplumber.open(r'F:python财务报表主体评级报告.pdf')  as pdf:
   page = pdf.pages[45]    #设置操作页面 
   for row inpage.extract_tables() :
          print(row)
          print(row[0])   #打印外层列表第一个元素

输出结果：

（2）.extract_table( )

返回多个独立列表，其结构层次为row→cell。若页面中存在多个行数相同的表格，则默认输出顶部表格；否则，仅输出行数最多的一个表格。此时，表格的每一行都作为一个单独的列表，列表中每个元素即为原表格的各个单元格内容。若需输出某个元素，得到的便是具体的数值或字符串。如下：

with pdfplumber.open(r'F:python财务报表主体评级报告.pdf') as pdf:
     page = pdf.pages[45]
     for row in page.extract_table() : 
         print(row) 
         print(row[0])      #打印每个列表对应的第一个元素

输出结果：

今天的分享到这里就结束啦，对pdfminer知识遗忘的小伙伴回顾以往文章：进阶PDF，就用Python（pdfminer.six和pdfplumber模块）