使用pdfplumber读取PDF

Posted 2023-05-03

参考技术A

安装直接采用pip即可。命令行中输入

如果要进行可视化的调试，则需要安装 ImageMagick 。

学习资源1
学习资源2

pdfplumber处理pdf文件

pdfplumber官方文档

https://github.com/hbh112233abc/pdfplumber

---

文档上对open方法的介绍

Loading a PDF
To start working with a PDF, call pdfplumber.open(x), where x can be a:

• path to your PDF file
• file object, loaded as bytes
• file-like object, loaded as bytes

从本地读取pdf文件

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

从网络流获取file like object类的方法

python提供了两个产生file like object的方法

1. stringio

from io import StringIO
f = StringIO()
f.write(\'hello\')
#或者
f = StringIO(\'Hello World\')

2. bytesio

from io import BytesIO

# 向内存中写入二进制数据
f = BytesIO()
f.write(\'中文\'.encode(\'utf-8\'))
print(f.getvalue()) 

#或者
f = BytesIO(b\'\\xe4\\xb8\\xad\\xe6\\x96\\x87\')
# 读取、并打印二进制数据
print(f.read()) 

open方法加载文件后返回一个 pdfplumber.PDF 实例.
对于有密码的pdf文件可以使用password参数

pdfplumber.open("file.pdf", password = "test")

pdfplumber.PDF类

---

pdfplumber.PDF 类代表一个PDF文件,主要有以下两个属性:

1. metadata
   元数据，摘自pdf创建信息
2. pages
   包含pdfplumber.Page(页实例)的列表。

pdfplumber.Page 类

---

pdfplumber.Page大部分操作都围绕此进行

主要属性

.page_number:页码
.width:页面宽度
.height:页面高度
.objects / .chars / .lines / .rects / .curves / .images:这些属性中的每一个都是一个列表，每个列表都为嵌入在页面上的每个此类对象包含一个字典。

提取文本

.extract_text

提取表格

.extract_tables(table_settings=):从当前页面所有表格中提取表格，返回从页面上找到的所有表中提取的文本，表示为列表列表列表，其结构为“表->行->单元格”
.extract_table(table_settings=)：返回从页面上最大表中提取的文本，该表表示为列表列表，其结构为“行->单元格”。如果一样多那就提取最靠近页面顶部的表格

示例

pdf = pdfplumber.open("path/to/my.pdf")
page = pdf.pages[0]
page.extract_table()