1、當(dāng)時用的python3.7在 pdfminer3k 與 pdfplumber 兩個庫之間存在沖突，安裝pdfplumber時會將pdfminer3k覆蓋掉，安裝的時候要先安裝pdfplumber再安裝pdfminer3k。
2、阿里云RPA只支持python3.5，后來我的環(huán)境就改成了3.5
3、首先創(chuàng)建 python3.5 的 virtualenv
4、cmd中進入創(chuàng)建的 env 中安裝pdfplumber命令：

pip install pdfplumber  -i https://pypi.doubanio.com/simple/

此時會按照相關(guān)的第三方庫：
chardet, pycryptodome, unicodecsv, sortedcontainers, pdfminer.six, six, pillow, wand, pdfplumber
本版分別為：
chardet-3.0.4 pdfminer.six-20200104 pdfplumber-0.5.19 pillow-7.1.1 pycryptodome-3.9.7 six-1.14.0 sortedcontainers-2.1.0 unicodecsv-0.14.1 wand-0.5.9

5、在運行下方代碼時會報錯：

import pdfplumber

pdf = pdfplumber.open(path)
p0 = pdf.pages[0]
im = p0.to_image()

1.png

6、打開下方網(wǎng)站

http://docs.wand-py.org/en/latest/guide/install.html#install-imagemagick-on-windows

2.png

這個網(wǎng)站有ImageMagick的安裝方法

7、打開下方網(wǎng)站下載ImageMagick-7.0.10-7-Q16-x64-dll.exe

[https://imagemagick.org/script/download.php#windows](https://imagemagick.org/script/download.php#windows)

3.png

8、from pdfminer.pdfinterp import process_pdf 時會報錯

pdfminer3k  與 pdfplumber 兩個庫之間存在沖突
先安裝pdfplumber  (切記安裝順序)
from pdfminer.pdfinterp import  process_pdf 時會報錯
這時候再安裝pdfminer3k就不會報錯了
pip install pdfminer3k  -i https://pypi.doubanio.com/simple/

會報錯

from .pdftypes import PDFObjectNotFound
ImportError: cannot import name 'PDFObjectNotFound'

轉(zhuǎn)來轉(zhuǎn)去最后發(fā)現(xiàn)對于只有表格和文字的pdf 用 pdfminer3k 再配合 tabula 去讀取表格

import tabula

df_list = tabula.read_pdf(self.pdf_path, encoding='UTF-8', pages=new_all_pages,multiple_tables = True, lattice=True)

上面這個完了還有個坑

Tabula是專門用來提取PDF表格數(shù)據(jù)的，同時支持PDF導(dǎo)出為CSV、Excel格式。
官網(wǎng)： [http://tabula.technology/](http://tabula.technology/)
Github: [https://github.com/chezou/tabula-py](https://github.com/chezou/tabula-py)
首先安裝tabula-py: `pip install tabula-py`   （重點在這里）
tabula-py依賴庫包括java、pandas、numpy，所以需保證運行環(huán)境中安裝了這些庫。
安裝java的鏈接可參考：[http://www.itdecent.cn/p/a66e393e1b27](http://www.itdecent.cn/p/a66e393e1b27)

java 安裝包
鏈接：https://pan.baidu.com/s/1TZ32uR1pN3zz1HWRqdX_qA
提取碼：8onf

代碼如下：

import tabula

df = tabula.read_pdf("D:/test.pdf", encoding='gbk', pages='all')
print(df)
for indexs in df.index:
    # 遍歷打印企業(yè)名稱
    print(df.loc[indexs].values[1].strip())

又遇到一個大坑
https://github.com/euske/pdfminer/tree/2103e5875ef04cfaf424b25d2fd0dc9535a90714/pdfminer/cmap
再來總結(jié)一下pdfminer遇到的坑
1、應(yīng)該安裝pdfminer3k
2、缺少字符編碼（UniGB-UCS2-H、Adobe-GB1）

從下方網(wǎng)址中下載  pdfminer包
下載好后將UniGB-UCS2-H.pickle.gz、to-unicode-Adobe-GB1.pickle.gz不要解壓直接放在 Py35Env\Lib\site-packages\pdfminer\cmap文件夾下
https://github.com/euske/pdfminer/tree/2103e5875ef04cfaf424b25d2fd0dc9535a90714

可以參考https://www.cnblogs.com/wzjbg/p/7644127.html

7.png

8.png

9.png

字符編碼的問題解決后又會拋出下方紅色字

10.png

解決辦法

11.png

from io import StringIO
from io import open
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfinterp import PDFResourceManager, process_pdf

pdf_path = 'D:\RPA_ProjectFile\Cody\Pdffile\20200420154222.pdf'

def read_pdf(pdf):
    # resource manager
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    laparams = LAParams()
    # device
    device = TextConverter(rsrcmgr, retstr, laparams=laparams)
    process_pdf(rsrcmgr, device, pdf)
    device.close()
    content = retstr.getvalue()
    retstr.close()
    lines = str(content).split("\n")
    return lines


with open(pdf_path, "rb") as pdf:
    PQ = read_pdf(pdf)
    for div in range(len(PQ)):
        temp = PQ[div].strip()
        print(temp)

在使用 tabula 提取pdf文件中的表格時 提示當(dāng)前環(huán)境缺少CID-keyed font AdobeKaitiStd-Regular字體和CID-keyed font STSong-Light字體，pdfbox使用使用LiberationSans字體進行替換。

1.png

Got stderr:  org.apache.pdfbox.pdmodel.font.PDCIDFontType0 <init>
警告: Using fallback MT-Extra for CID-keyed font STSong-Light

這兩個字體可以用AdobeKaitiStd-Regular.otf和SimSun.ttf兩個字體文件。
找字體文件可以在自己的電腦上找，可以在這個C:\Windows\Fonts找到，或者用everything工具查找，沒有的話可以在網(wǎng)上找
有些字體實在找不到，也可以修改pdfbox的源碼，修改字體的替換規(guī)則，
替換的規(guī)則在org.apache.pdfbox.pdmodel.font.FontMapperImpl可以查看到

參考兩個網(wǎng)站
https://blog.csdn.net/qq_28822933/article/details/83239950
https://blog.csdn.net/qq_36956002/article/details/105094651

字體目錄 【控制面板\外觀和個性化\字體】

3.png

另外還有一種解析PDF文件的方法就是將pdf轉(zhuǎn)成html文件
https://github.com/coolwanglu/pdf2htmlEX
在cmd中以命令的方式直接將pdf轉(zhuǎn)成html，然后再去html文件中解析數(shù)據(jù)，熟悉爬蟲頁面解析的可以嘗試一下所見即所得也挺簡單的。

使用pdfminer、tabula第三方庫文本和表格都能提取出來，接下來要解決的問題是在這些雜亂無章的數(shù)據(jù)中正確的提取出自己想要數(shù)據(jù)，首先分析pdf頁面的規(guī)律找到自己想要的數(shù)據(jù)在哪里，往往是文本要和表格對應(yīng)起來pdfminer用來提取文本內(nèi)容，tabula來提取表格，再根據(jù)規(guī)律將文本和表格對應(yīng)起來，我這邊有一份 收貨單、送貨單、訂貨單的pdf文件解析代碼，大家可以根據(jù)我的代碼來分析我的思路！