pdfplumber

官方 Github：https://github.com/jsvine/pdfplumber

pdfplumber 是一个用于提取 pdf 文件里的表格信息的 python 库。

安装

pip install pdfplumber

简单例子

import pdfplumber

with pdfplumber.open("path/to/file.pdf") as pdf:
    first_page = pdf.pages[0]
    print(first_page.chars[0])

加载 pdf 文件

使用 pdfplumber.open(x) 命令来加载已存在的 pdf 文件，open() 方法返回一个 pdfplumber.PDF 类。

加载含密码的 pdf 文件需要传入密码参数，如：pdfplumber.open("file.pdf", password = "test")

pdfplumber.PDF 类

pdfplumber.PDF 类的实例会含有两个属性：

• .metadata：一个包含该 pdf 文件元数据的字典，一般为 CreationDate、ModDate、Producer 等。

• .pages：一个包含该 pdf 所有页面对象（pdfplumber.Page）的列表

with pdfplumber.open("path/to/file.pdf") as pdf:
    print(pdf.metadata)
    print(pdf.pages)

# 输出

{'Author': 'Acer', 'CreationDate': "D:20200421133330+08'00'", 'Creator': 'Microsoft® Word 2010', ......'}
[<Page:1>, <Page:2>, <Page:3>,]

pdfplumber.Page 类

pdfplumber.Page 类是 pdfplumber 的核心。我们大多数操作都是通过这个类进行的；它拥有以下属性。

• .page_number：页码，从1开始

• .width：页面宽度

• .height：页面高度

• .objects / .chars / .lines / .rects / .curves / .images：这些属性都是一个列表，包含对应的字典对象

它包含的方法有：

• .crop(bounding_box, relative=False, strict=True)：（暂略）

• .within_bbox(bounding_box, relative=False, strict=True)：（暂略）

• .outside_bbox(bounding_box, relative=False, strict=True)：（暂略）

• .filter(test_function)：筛选器，返回符合 test_function 条件的对象

• .dedupe_chars(tolerance=1)：（暂略）

• .extract_text(x_tolerance=3, y_tolerance=3, layout=False, x_density=7.25, y_density=13, **kwargs)：将页面上的所有字符对象整合成一个字符串。

• .extract_words(x_tolerance=3, y_tolerance=3, keep_blank_chars=False, use_text_flow=False, horizontal_ltr=True, vertical_ttb=True, extra_attrs=[], split_at_punctuation=False)：将页面上的所有字符对象整合成一个列表。

• .search(pattern, regex=True, case=True, **kwargs)：搜索功能，pattern 参数可以是字符串或者正则表达式。

• .extract_tables(table_settings)：从页面中提取表格。

• .to_image(**conversion_kwargs)：提取图像

• .close()：关闭文件，用于释放内存

下面来开一个提取 pdf 表格的例子：

import pdfplumber

with pdfplumber.open("file.pdf") as pdf:
    page = pdf.pages[1]
    table = page.extract_tables() 
    print(table)