更多精彩内容请移步微信公众号：Python for Finance
本文介绍一个开源python工具库-pdfplumber，可以方便地获取pdf的各种信息，包括文本、表格、图表、尺寸等。它不支持修改或生成pdf。

一、pdfplumber安装

由于Anaconda没有集成pdfplumber库，因此需要安装。安装方式：打开Anaconda Prompt，选择开始菜单-Anaconda3-Anaconda Prompt。

命令行中输入

pip install pdfplumber

二、pdfplumber运用步骤

（一）读取pdf

import pdfplumber
pdf=pdfplumber.open(r'C:\Users\chenwei\Downloads\贵州茅台2020年年度报告.pdf')

(二）生成page对象

pdfplumber.Page类是pdfplumber整个的核心。
通过.pages返回包含pdfplumber.Page实例的列表，每一个实例代表pdf每一页的信息，通过列表可访问具体某一页。

pages=pdf.pages #生成pdf所有页面的列表
page01=pdf.pages[0] #返回第一页对象

步骤一、二也可以with open语句，代码如下：

with pdfplumber.open(r'C:\Users\chenwei\Downloads\贵州茅台2020年年度报告.pdf') as pdf:
    pages=pdf.pages #生成pdf所有页面的列表
    page01=pdf.pages[0] #返回第一页对象

（三）对Page对象进行处理

常用方法：

（1）pdfplumber库提供文本提取函数.extract_text() ，将PDF文档中的文本内容按照原文中的换行格式（并非实际的段落）得到字符串对象。

（2）pdfplumber库提供了两种pdf表格提取函数，分别为.extract_tables( )及.extract_table( )，两种函数提取结果存在差异。

A).extract_tables( )

可输出页面中所有表格，并返回一个嵌套列表，其结构层次为table→row→cell。此时，页面上的整个表格被放入一个大列表中，原表格中的各行组成该大列表中的各个子列表。

B).extract_table( )

返回独立列表，其结构层次为row→cell。若页面中存在多个行数相同的表格，则默认输出顶部表格；否则，仅输出行数最多的一个表格。此时，表格的每一行都作为一个单独的列表，列表中每个元素即为原表格的各个单元格内容。

三、pdfplumber常用实例：

（一）提取单页pdf文字

以读取《贵州茅台2020年年度报告》pdf第28页文本为例，代码如下：

import pdfplumber
with pdfplumber.open(r'C:\Users\chenwei\Downloads\贵州茅台2020年年度报告.pdf') as pdf:
    page28 = pdf.pages[27] #指定读取第28页
    text = page28.extract_text()#提取文本
    print(text)

图片1.png

（二）提取所有页面pdf文字并写入文本

以读取《贵州茅台2020年年度报告》pdf文本并写入txt文件为例，代码如下：

import pdfplumber
with pdfplumber.open(r'C:\Users\chenwei\Downloads\贵州茅台2020年年度报告.pdf') as pdf:
    for page in pdf.pages:
        text = page.extract_text()#提取文本
        txt = open(r'C:\Users\chenwei\Downloads\贵州茅台2020年年度报告.txt',mode='a',encoding='utf-8')
        txt.write(text)

图片2.png

（三）提取单页面的单个表格

采用extract_table()方法提取单个表格，若页面中存在多个行数相同的表格，则默认输出顶部表格；否则，仅输出行数最多的一个表格。
以读取《贵州茅台2020年年度报告》pdf第9页单个表格为例，第9页有多个表格，其中，成本分析表是行数最多的一个表格，采用extract_table()方法则默认输出该表格。

图片3.png

import pdfplumber
import pandas as pd

with pdfplumber.open(r'C:\Users\chenwei\Downloads\贵州茅台2020年年度报告.pdf') as pdf:
    page09 = pdf.pages[8]   # 第九页的信息
    table= page09.extract_table()  #提取单个表格
    table=pd.DataFrame(table[1:],columns=table[0])    #得到的table是嵌套list类型，转化成DataFrame更加方便查看
    print(table)

图片4.png

（四）提取所有页面的所有表格，并存到excel的不同sheet中

这涉及pandas将多个dataframe以多个sheet的形式保存到一个excel文件中，需要采用 ExcelWriter方法。代码如下：

import pdfplumber
import pandas as pd

writer=pd.ExcelWriter(r'C:\Users\chenwei\Desktop\贵州茅台2020年年度报告数据.xls')

with pdfplumber.open(r'C:\Users\chenwei\Downloads\贵州茅台2020年年度报告.pdf') as pdf:   
    for j in range(len(pdf.pages)):
        page=pdf.pages[j]
        tables = page.extract_tables()  #提取多个表格
        for i in range(len(tables)):
            table=tables[i]
            table=pd.DataFrame(table[1:],columns=table[0])           
            table.to_excel(writer,index=False,sheet_name=f'第{j+1}页表格{i+1}')    
            writer.save()
writer.close()

图片5.png