在實(shí)際研究中，我們經(jīng)常需要獲取大量數(shù)據(jù)，而這些數(shù)據(jù)很大一部分以pdf表格的形式呈現(xiàn)，如公司年報(bào)、發(fā)行上市公告等。面對(duì)如此多的數(shù)據(jù)表格，采用手工復(fù)制黏貼的方式顯然并不可取。那么如何才能高效提取出pdf文件中的表格數(shù)據(jù)呢？
Python提供了許多可用于pdf表格識(shí)別的庫(kù)，如camelot、tabula、pdfplumber等。綜合來看，pdfplumber庫(kù)的性能較佳，能提取出完整、且相對(duì)規(guī)范的表格。因此，本推文也主要介紹pdfplumber庫(kù)在pdf表格提取中的作用。
作為一個(gè)強(qiáng)大的pdf文件解析工具，pdfplumber庫(kù)可迅速將pdf文檔轉(zhuǎn)換為易于處理的txt文檔，并輸出pdf文檔的字符、頁(yè)面、頁(yè)碼等信息，還可進(jìn)行頁(yè)面可視化操作。使用pdfplumber庫(kù)前需先安裝，即在cmd命令行中輸入：
pip install pdfplumber
pdfplumber庫(kù)提供了兩種pdf表格提取函數(shù)，分別為.extract_tables( )及.extract_table( )，兩種函數(shù)提取結(jié)果存在差異。為進(jìn)行演示，我們網(wǎng)站上下載了一份短期融資券主體信用評(píng)級(jí)報(bào)告，為pdf格式。任意選取某一表格，其界面如下：
Python騷操作，提取pdf文件中的表格數(shù)據(jù)！
關(guān)于怎么快速學(xué)python，可以加下小編的python學(xué)習(xí)群:611+530+101，不管你是小白還是大牛，小編我都?xì)g迎，不定期分享干貨
每天晚上20:00都會(huì)開直播給大家分享python學(xué)習(xí)知識(shí)和路線方法，群里會(huì)不定期更新最新的教程和學(xué)習(xí)方法，大家都是學(xué)習(xí)python的，或是轉(zhuǎn)行，或是大學(xué)生，還有工作中想提升自己能力的，如果你是正在學(xué)習(xí)python的小伙伴可以加入學(xué)習(xí)。最后祝所有程序員都能夠走上人生巔峰，讓代碼將夢(mèng)想照進(jìn)現(xiàn)實(shí)
接下來，我們簡(jiǎn)要分析兩種提取模式下的結(jié)果差異。
（1）.extract_tables( )
可輸出頁(yè)面中所有表格，并返回一個(gè)嵌套列表，其結(jié)構(gòu)層次為table→row→cell。此時(shí)，頁(yè)面上的整個(gè)表格被放入一個(gè)大列表中，原表格中的各行組成該大列表中的各個(gè)子列表。若需輸出單個(gè)外層列表元素，得到的便是由原表格同一行元素構(gòu)成的列表。例如，我們執(zhí)行如下程序：
Python騷操作，提取pdf文件中的表格數(shù)據(jù)！
輸出結(jié)果：
Python騷操作，提取pdf文件中的表格數(shù)據(jù)！
（2）.extract_table( )
返回多個(gè)獨(dú)立列表，其結(jié)構(gòu)層次為row→cell。若頁(yè)面中存在多個(gè)行數(shù)相同的表格，則默認(rèn)輸出頂部表格；否則，僅輸出行數(shù)最多的一個(gè)表格。此時(shí)，表格的每一行都作為一個(gè)單獨(dú)的列表，列表中每個(gè)元素即為原表格的各個(gè)單元格內(nèi)容。若需輸出某個(gè)元素，得到的便是具體的數(shù)值或字符串。如下：
Python騷操作，提取pdf文件中的表格數(shù)據(jù)！
輸出結(jié)果：
Python騷操作，提取pdf文件中的表格數(shù)據(jù)！
在此基礎(chǔ)上，我們?cè)敿?xì)介紹如何從pdf文件中提取表格數(shù)據(jù)。其中一種思路便是將提取出的列表視為一個(gè)字符串，結(jié)合Python的正則表達(dá)式re模塊進(jìn)行字符串處理后，將其保存為以標(biāo)準(zhǔn)英文逗號(hào)分隔、可被Excel識(shí)別的csv格式文件，即進(jìn)行如下操作：
Python騷操作，提取pdf文件中的表格數(shù)據(jù)！
輸出結(jié)果：
Python騷操作，提取pdf文件中的表格數(shù)據(jù)！
盡管能獲得完整的表格數(shù)據(jù)，但這種方法相對(duì)不易理解，且在處理結(jié)構(gòu)不規(guī)則的表格時(shí)容易出錯(cuò)。由于通過pdfplumber庫(kù)提取出的表格數(shù)據(jù)為整齊的列表結(jié)構(gòu)，且含有數(shù)字、字符串等數(shù)據(jù)類型。因此，我們可調(diào)用pandas庫(kù)下的DataFrame( )函數(shù)，將列表轉(zhuǎn)換為可直接輸出至Excel的DataFrame數(shù)據(jù)結(jié)構(gòu)。DataFrame的基本構(gòu)造函數(shù)如下：
DataFrame([data,index, columns])
三個(gè)參數(shù)data、index和columns分別代表創(chuàng)建對(duì)象、行索引和列索引。DataFrame類型可由二維ndarray對(duì)象、列表、字典、元組等創(chuàng)建。本推文中的data即指整個(gè)pdf表格，提取程序如下：
Python騷操作，提取pdf文件中的表格數(shù)據(jù)！
其中，table[1:]表示選定整個(gè)表格進(jìn)行DataFrame對(duì)象創(chuàng)建，columns=table[0]表示將表格第一行元素作為列變量名，且不創(chuàng)建行索引。輸出Excel表格如下：
Python騷操作，提取pdf文件中的表格數(shù)據(jù)！
通過以上簡(jiǎn)單程序，我們便提取出了完整的pdf表格。但需注意的是，面對(duì)不規(guī)則的表格數(shù)據(jù)提取，創(chuàng)建DataFrame對(duì)象的方法依然可能出錯(cuò)，在實(shí)際操作中還需進(jìn)行核對(duì)。
