python 把pdf的表格解析成excel

原创

是念 2022-08-12 07:22:07 博主文章分类：pdfplumber ©著作权

©著作权归作者所有：来自51CTO博客作者是念的原创作品，请联系作者获取转载授权，否则将追究法律责任

最近做了一个pdf解析的工具，能够对部分的pdf文档进行解析，对扫描版的pdf没啥用，我这里把我实现的代码分享出来：

安装

pip install pdfplumber

代码

import pdfplumber
import pandas as pd
import os
from tqdm import tqdm 
# pip install pdfplumber

def PDF_parser(xlsx_name,pdf_name):
    writer=pd.ExcelWriter(xlsx_name,engine="openpyxl") 
    with pdfplumber.open(pdf_name) as pdf:
        # print(pdf.pages)
        num=0
        for i in range(len(pdf.pages)):
            page = pdf.pages[i]
            # print(first_page.chars[0])
            table = page.extract_tables()  #提取表格
            
            # print(page.page_number)
            # print(table)
            for index,t in enumerate(table):
                num+=1
                # 得到的table是嵌套list类型，转化成DataFrame更加方便查看和分析
                df = pd.DataFrame(t[1:], columns=t[0])  #把表格编程dataframe
                df.to_excel(writer, sheet_name='Table '+str(num),index=False, engine='xlsxwriter')   #写入到excel中
                # csv_name='data/'+str(i)+'_'+str(index)+'.xlsx'
                # with pd.ExcelWriter('output.xlsx',mode='a',engine="openpyxl") as writer:
                    # df.to_excel(writer, sheet_name='Sheet'+str(num)) 
                # df.to_csv(csv_name,index=False)
                # df.to_excel(csv_name,index=False)
                print(df.shape)
    writer.save()
    writer.close()

def create(root_dir):
    os.makedirs(root_dir,exist_ok=True)

if __name__ == "__main__":
    # root_dir='Manhattan 2'  # pdf directory
    root_dir='problem'  # pdf directory
    output_dir='excel1'  # excel output directory
    create(output_dir)  # 如果输出目录没有，则自动创建输出目录
    pdf_names=os.listdir(root_dir) 
    pdf_names=[item for item in pdf_names if(item.split('.')[-1]=='pdf')] # 找出目录下所有的pdf
    # pdf_name="NYSERDA Energy Assessment Report - Mount Morris Ascension Presbyterian Church.pdf"
    # xlsx_name='output.xlsx'
    print(len(pdf_names))
    for pdf_name in tqdm(pdf_names):  # 遍历每个pdf
        print(pdf_name)
        xlsx_name=pdf_name.replace('.pdf','.xlsx')
        xlsx_name=os.path.join(output_dir,xlsx_name) # 输出的excel文件名
        pdf_name=os.path.join(root_dir,pdf_name)  # pdf的文件名
        try:
            PDF_parser(xlsx_name,pdf_name) #pdf解析
        except Exception as e:
            print(e)
            pass