用Python提取PDF表格的方法

Posted on by

大傢好，從PDF中提取信息是辦公場景中經常需要用到的操作，也是經常又讀者在後臺問的一個操作。

內容少的話我們可以手動復制粘貼，但如果需要批量提取就可以考慮使用Python，之前我也轉載過相關文章，提到主要就是使用pdfplumber庫，今天我們再次舉例講解。

通常PDF裡的表格分為圖片型和文本型。文本型又分簡單型和復雜型。本文就針對這三部分舉例講解。

  • 提取簡單型表格
  • 提取較為復雜型表格
  • 提取圖片型表格

用到的模塊主要有

  • pdfplumber
  • pandas
  • Tesseract
  • PIL

文中出現的PDF材料是在巨潮資訊官網下載的公開PDF文件，主題是關於理財的，相關發佈信息等信息如下：

內容總共有6頁，後文中的例子會有展示。

一、簡單文本類型數據

簡單文本類型表格就是一頁PDF中隻有一個表格，並且表格內容完整可復制，例如我們選定內容為PDF中的第四頁，內容如下：

可以看到，該頁隻有一個表格，下面我們將這個表寫入Excel中，先上代碼

import pdfplumber as pr
import pandas as pd
pdf = pr.open('關於使用自有資金購買銀行理財產品的進展公告.PDF')
ps = pdf.pages
pg = ps[3]
tables = pg.extract_tables()
table = tables[0]
print(table)
df = pd.DataFrame(table[1:],columns = table[0])
for i in range(len(table)):
    for j in range(len(table[i])):
        table[i][j] = table[i][j].replace('\n','')
df1 = pd.DataFrame(table[1:],columns = table[0])
df1.to_excel('page2.xlsx')

得到的結果如下：

通過與PDF上原表格對比，在內容上是完全一致的，唯一不同的是由於主營業務內容較多，導致顯示的不全面，現在來說說這段代碼。

首先導入要用到的兩個庫。在pdfplumber中，open()函數是用來打開PDF文件，該代碼用的是相對路徑。.open().pages則是獲取PDF的頁數，打印ps值可以得到如下

pg = ps[3]代表的就是我們所選的第三頁。

pg.extract_tables()：可輸出頁面中所有表格，並返回一個嵌套列表，其結構層次為table→row→cell。此時，頁面上的整個表格被放入一個大列表中，原表格中的各行組成該大列表中的各個子列表。若需輸出單個外層列表元素，得到的便是由原表格同一行元素構成的列表。

與其類似的是pg.extract_table( )：返回多個獨立列表，其結構層次為row→cell。若頁面中存在多個行數相同的表格，則默認輸出頂部表格；否則，僅輸出行數最多的一個表格。此時，表格的每一行都作為一個單獨的列表，列表中每個元素即為原表格的各個單元格內容。

由於該頁面中隻有一個表格，我們需要tables集合中的第一個元素。打印table值，如下：

可以看到在上述中是存在\n這種沒不要的字符，它的作用其實是換行但我們在Excel中是不需要的。所以需要剔除它，用代碼中的for循環與replace函數將控制替換成空格(即刪除\n)。觀察table是一個裝有2個元素的列表。

最後df1 = pd.DataFrame(table[1:],columns = table[0])這段代碼的作用就是創建一個數據框，將內容放到對應的行列中。

本代碼隻是簡單將數據存入到Excel，如果你需要進一步對樣式進行調整，可以使用openpyxl等模塊進行修改。

二、復雜型表格提取

復雜型表格即表格樣式不統一或一頁中有多個表格，以PDF中的第五頁為例：

可以看到本頁中有兩個大的表格，並且細看的話，其實是4個表格，按照簡單型表格類型提取方法，得到的效果如下：

可以看到，隻是將全部表格文本提取出來，但實際上第一個表格又細分為兩個表，所以需要我們進一步修改，將這張表再次拆分！例如提取上半部分代碼如下：

import pdfplumber as pr
import pandas as pd
pdf = pr.open('關於使用自有資金購買銀行理財產品的進展公告.PDF')
ps = pdf.pages
pg = ps[4]
tables = pg.extract_tables()
table = tables[0]
print(table)
df = pd.DataFrame(table[1:],columns = table[0])
for i in range(len(table)):
    for j in range(len(table[i])):
        table[i][j] = table[i][j].replace('\n','')
df1 = pd.DataFrame(table[1:],columns = table[0])
df2 = df1.iloc[2:,:]
df2 = df2.rename(columns = {"2019年12月31日":"2019年1-12月","2020年9月30日":"2020年1-9月"})
df2 = df2.loc[3:,:]
df1 = df1.loc[:1,:]
with pd.ExcelWriter('公司影響.xlsx') as i:
    df1.to_excel(i,sheet_name='資產', index=False, header=True) #放入資產數據
    df2.to_excel(i,sheet_name='營業',index=False, header=True) #放入營業數據

這段代碼在簡單型表格提取的基礎上進行瞭修改，第十四行代碼的作用就是提取另外一個表頭的信息，並將他賦值給df2，而後對df2進行重命名操作(用到rename函數)。

打印df2可以看出columns列名和第一行信息重復瞭，因此我們需要重復剛剛的步驟，利用loc()函數切割數據框。

註意，我們這裡用瞭罕見的pandas.Excelwriter函數套for循環，這個是為瞭避免直接寫入導致的最後數據覆蓋原數據，感興趣可以嘗試一下不用withopen這種方法後結果。最終得到的效果如下：

可以看到，現在這個表格就被放在兩個sheet中單獨展示，當然用於對比放在一張表中也是可以的

說到底復雜型表格的主觀性是非常大的，需要根據不同情況進行不同處理，想寫出一個一勞永逸的辦法是比較困難的！

三、圖片型表格提取

最後也是最難處理的就是圖片型表格，經常有人會問如何提取圖片型PDF中的表格/文本等信息。

其實本質上就是提取圖片，之後如何對圖片進一步處理提取信息就與Python提取PDF表格這個主題沒有太大關系瞭！

這裡我們也簡單進行介紹，也就是先提取圖片再進行OCR識別提取表格，在Python中可以使用Tesseract庫，首先需要pip安裝

pip install pytesseract

在Python中安裝完這個庫之後我們需要安裝exe文件以在後面代碼用到。

http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe

下載安裝完即可，註意目前如果按照正常步驟安裝的話是不會識別中文的，所以需要安裝簡體中文語言包，下載地址為https://github.com/tesseract-ocr/tessdata/find/master/chi_sim.traineddata，將其放到Tesseract-OCR的tessdata目錄下即可。

接下來我們使用一個簡單的圖片型pdf如下：

第一步，提取圖片，這裡使用在GUI辦公自動化系列中的圖片提取軟件來提取PDF中的圖片，得到如下圖片：

接著執行下方代碼識別圖片內容

import pytesseract
from PIL import Image
import pandas as pd
pytesseract.pytesseract.tesseract_cmd = 'C://Program Files (x86)/Tesseract-OCR/tesseract.exe'
tiqu = pytesseract.image_to_string(Image.open('圖片型.jpg'))
print(tiqu)
tiqu = tiqu.split('\n')
while '' in tiqu:    #不能使用for
  tiqu.remove('')
  first = tiqu[:6]
  second = tiqu[6:12]
  third =  tiqu[12:]
  df = pd.DataFrame()
  df[first[0]] = first[1:]
  df[second[0]] = second[1:]
  df[third[0]] = third[1:]
#df.to_excel('圖片型表格.xlsx')  #轉為xlsx文件

我們的思路是用Tesseract-OCR來解析圖片，得到一個字符串，接著對字符串運用split函數，把字符串變成列表同時刪除\n。

接著可以發現我們的列表裡還存在空格，這時我們用while循環來刪除這些空字符，註意，這裡不能用for循環，因為每次刪除一個，列表裡的元素就會前進一個，這樣會刪不完全。最後就是用pandas把這些變成數據框形式。最終得到的效果如下：

可以看到，該圖片型表格內容被完美解析與處理！當然能輕松搞定的原因也與這個表格足夠簡單有關，在真實場景中的圖片可能會有更復雜的幹擾因素，而這就需要大傢在處理的同時自行找到一個最合適的辦法！

以上就是用Python提取PDF表格的方法的詳細內容，更多關於Python提取PDF表格的資料請關註WalkonNet其它相關文章！

推薦閱讀：

    None Found