【需求】：想要提取 pdf 的數(shù)據(jù)，保存到 excel 中。雖然是可以直接利用 WPS 將 pdf 文件輸出成 excel，但這個功能是收費(fèi)的，而且如果將大量pdf轉(zhuǎn)excel的時候，手動去輸出是非常耗時的。我們可以利用 python 的三方工具庫 pdfplumber 快速完成這個功能。

一、實(shí)現(xiàn)效果圖

二、pdfplumber 庫

pdfplumber 是一個開源 python 工具庫-，可以方便地獲取 pdf 的各種信息，包括文本、表格、圖表、尺寸等。完成我們本文的需求，主要使用 pdfplumber 提取 pdf 表格數(shù)據(jù)。

安裝命令

pip install pdfplumber

三、代碼實(shí)現(xiàn)

1、導(dǎo)入相關(guān)包

import pdfplumber
import pandas as pd

2、讀取 pdf , 并獲取 pdf 的頁數(shù)

pdf = pdfplumber.open("/Users/wangwangyuqing/Desktop/1.pdf")
pages = pdf.pages

3、提取單個 pdf 文件，保存成 excel

if len(pages) > 1:
    tables = []
    for each in pages:
        table = each.extract_table()
        tables.extend(table)
else:
    tables = each.extract_table()

data = pd.DataFrame(tables[1:], columns=tables[0])
data
data.to_excel("/Users/wangwangyuqing/Desktop/1.xlsx", index=False)

4、提取文件夾下多個 pdf 文件，保存成 excel

import os
import glob

path = r'/Users/wangwangyuqing/Desktop/pdf文件'
for f in glob.glob(os.path.join(path, "*.pdf")):
    res = save_pdf_to_excel(f)
    print(res)


def save_pdf_to_excel(path):
    #     print('文件名為：',path.split('/')[-1].split('.')[0] + '.xlsx')

    pdf = pdfplumber.open(path)
    pages = pdf.pages
    if len(pages) > 1:
        tables = []
        for each in pages:
            table = each.extract_table()
            tables.extend(table)
    else:
        tables = each.extract_table()
    data = pd.DataFrame(tables[1:], columns=tables[0])

    file_name = path.split('/')[-1].split('.')[0] + '.xlsx'
    data.to_excel("/Users/wangwangyuqing/Desktop/data/{}".format(file_name), index=False)
    return '保存成功！'

四、小結(jié)

python 中還有很多庫可以處理 pdf，比如 PyPDF2、pdfminer 等，本文選擇pdfplumber 的原因在于能輕松訪問有關(guān) PDF 的所有詳細(xì)信息，包括作者、來源、日期等，并且用于提取文本和表格的方法靈活可定制。大家可以根據(jù)手頭數(shù)據(jù)需求，再去解鎖 pdfplumber 的更多用法。