pdfplumber操作pdf文件
python开源库pdfplumber，可以较为方便地获取pdf的各种信息，包含pdf的基本信息（作者、创建时间、修改时间…）及表格、文本、图片等信息，基本可以满足较为简单的格式转换功能。
一、pdfplumber安装及导入
跟其他包一样，支持使用pip安装，安装命令：
pip install pdfplumber
安装成功后，可直接用import导入，导入命令：
import pdfplumber
二、pdfplumber基础使用
1、基础知识
（1）pdfplumber有2个基础类
PDF和Page，PDF用来处理整个文档，Page用来处理整个页面。
（2）pdfplumber读取pdf文件方式
pdfplumber.open(‘文件路径’)，返回pdfplumber.PDF类的实例。
如果pdf有密码，加入password参数：
pdfplumber.open(‘文件路径’,password=‘密码’)
2、获取pdf基础信息
读取pdf文件，并输出pdf文件的基础信息
import pdfplumber# 打开pdf文件，有密码加入password参数pdf_info =pdfplumber.open(r'test.pdf')meta_data = pdf_info.metadata # pdf的基础信息page_con = len(pdf_info.pages) # 获取pdf的总页数print('pdf文件的基础信息：\n', meta_data)print('pdf共%s页' % page_con)
3、pdfplumber提取表格数据
提取表格数据主要用到extract_tables()和extract_table()两种方法，这两种提取方式各有不同。
用以下pdf文档，作为演示文档。
（1）extract_tables()方法
输出文档所有表格，返回一个嵌套列表，其结构层次为table-row-cell。如：
#extract_tables()用法with pdfplumber.open(r'test.pdf') as pdf_info: # 打开pdf文件page_one = pdf_info.pages[0] # 选择第一页page_one_table =page_one.extract_tables() # 获取pdf文档第一页的所有表格数据for row in page_one_table:print('第一页的表格数据：', row)
（2）、extact_table()方法
不会返回文档的所有表格，仅返回行数最多的表格数据，如存在多个行数相等的表格，则默认输出顶部表格数据。返回的数据结构层次为row-cell，表格的每一行都为一个单独的列表，列表中的元素即为原表格的各个单元格的数据。如：
# extract_table()用法with pdfplumber.open(r'test.pdf') as pdf_info: # 打开pdf文件page_one = pdf_info.pages[0] # 选择第一页page_one_table = page_one.extract_table()for row in page_one_table:print(row)
三、提取pdf表格数据并保存到excel中
完整版，提取pdf表格数据并保存到excel中
import pdfplumberfrom openpyxl import Workbookclass PDF(object):def __init__(self, file_path):self.pdf_path = file_path# 读取pdf文件try:self.pdf_info = pdfplumber.open(self.pdf_path)print('读取文件完成！')except Exception as e:print('读取文件失败：', e)# 打印pdf的基本信息、返回字典，作者、创建时间、修改时间/总页数def get_pdf(self):pdf_info = self.pdf_info.metadatapdf_page = len(self.pdf_info.pages)print('pdf共%s页' % pdf_page)print("pdf文件基本信息：\n", pdf_info)self.close_pdf()# 提取表格数据,并保存到excel中def get_table(self):wb = Workbook() # 实例化一个工作簿对象ws = wb.active # 获取第一个sheetcon = 0try:# 获取每一页的表格中的文字，返回table、row、cell格式：[[[row1],[row2]]]for page in self.pdf_info.pages:for table in page.extract_tables():for row in table:# 对每个单元格的字符进行简单清洗处理row_list = [cell.replace('\n', ' ') if cell else '' for cell in row]ws.append(row_list) # 写入数据con += 1print('---------------分割线,第%s页---------------' % con)except Exception as e:print('报错：', e)finally:wb.save('\\'.join(self.pdf_path.split('\\')[:-1]) + '\pdf_excel.xlsx')print('写入完成！')self.close_pdf()# 关闭文件def close_pdf(self):self.pdf_info.close()if __name__ == "__main__":file_path = input('请输入pdf文件路径：')pdf_info = PDF(file_path)# pdf_info.get_pdf() # 打印pdf基础信息# 提取pdf表格数据并保存到excel中,文件保存到跟pdf同一文件路径下pdf_info.get_table()
-end-
