pdf 是个异常坑爹的东西，有很多处理 pdf 的库，但是没有完美的。
一、pdfminer3k
pdfminer3k 是 pdfminer 的 python3 版本，主要用于读取 pdf 中的文本。
网上有很多 pdfminer3k 的代码示例，看过以后，只想吐槽一下，太复杂了，有违 python 的简洁。
pdfminer 对于表格的处理非常的不友好，能提取出文字，但是没有格式：
pdf表格截图：
代码运行结果：
想把这个结果还原成表格可不容易，加的规则太多必然导致通用性的下降。
二、tabula-py
tabula 是专门用来提取PDF表格数据的，同时支持PDF导出为CSV、Excel格式，但是这工具是用 java 写的，依赖 java7/8。tabula-py 就是对它做了一层 python 的封装，所以也依赖 java7/8。
代码很简单：
虽然号称是专业处理 pdf 中的表格的，但实际效果也不咋地。还是 pdfminer 中使用的 pdf，运行结果如下：
这结果真的很尴尬啊，表头识别就错了，还有 pdf 中有两张表，我没发现怎么区分表。
三、pdfplumber
pdfplumber 是按页来处理 pdf 的，可以获得页面的所有文字，并且提供的单独的方法用于提取表格。
得到的 table 是个 string 类型的二维数组，这里为了跟 tabula 比较，按行输出显示。
可以看到，跟 tabula 相比，首先是可以区分表格，其次，准确率也提高了很多，表头的识别完全正确。对于表格中有换行的，识别还不是很正确，但至少列的划分没问题，所以还是能处理的。
经过处理后，运行得到结果：
这结果已经完全正确了，而用 tabula，即便是经过处理也是无法得到这样的结果的。当然对于不同的 pdf，可能需要不同的处理，实际情况还是要自己分析。
pdfplumber 也有处理不准确的时候，主要表现在缺列：
我找了另一个 pdf，表格部分截图如下：
解析结果如下：
4列变成了两列，另外，如果表格有合并单元格的情况，也会有这种问题，我挑这个表格展示是因为比较特殊，没有合并单元格也缺列了。这应该跟 pdf 生成的时候有关。
但其实数据是获取完整的，并没有丢，只是被认为是非表格了。输出 page.extract_text() 如下：
然后，我又用 tabula 试了下，结果如下：
列是齐了，但是，表头呢？？？
pdfplumber 还提供了图形Debug功能，可以获得PDF页面的截图，并且用方框框起识别到的文字或表格，帮助判断PDF的识别情况，并且进行配置的调整。要使用这个功能，还需要安装ImageMagick。因为没有用到，所以暂时没有去细究。
四、后记
我们在做爬虫的时候，难免会遇到 pdf 需要解析，主要还是针对文本和表格的数据提取。而 python 处理 pdf 的库实在是太多太多了，比如还有 pypdf2，网上资料也比较多，但是我试了，读出来是乱码，没有仔细的读源码所以这个问题也没有解决。
而我对比较常用的3个库比较后觉得，还是 pdfplumber 比较好用，对表格的支持最好。
