來源：早起Python

作者：自動(dòng)化工作組

大家好，從PDF中提取信息是辦公場景中經(jīng)常需要用到的操作，也是經(jīng)常又讀者在后臺(tái)問的一個(gè)操作。

內(nèi)容少的話我們可以手動(dòng)復(fù)制粘貼，但如果需要批量提取就可以考慮使用Python，之前我也轉(zhuǎn)載過相關(guān)文章，提到主要就是使用pdfplumber庫，今天我們再次舉例講解。

通常PDF里的表格分為圖片型和文本型。文本型又分簡單型和復(fù)雜型。本文就針對這三部分舉例講解。

提取簡單型表格提取較為復(fù)雜型表格提取圖片型表格

用到的模塊主要有

pdfplumberpandasTesseractPIL

文中出現(xiàn)的PDF材料是在巨潮資訊官網(wǎng)下載的公開PDF文件，主題是關(guān)于理財(cái)?shù)模嚓P(guān)發(fā)布信息等信息如下：

內(nèi)容總共有6頁，后文中的例子會(huì)有展示。

一、簡單文本類型數(shù)據(jù)

簡單文本類型表格就是一頁P(yáng)DF中只有一個(gè)表格，并且表格內(nèi)容完整可復(fù)制，例如我們選定內(nèi)容為PDF中的第四頁，內(nèi)容如下：

可以看到，該頁只有一個(gè)表格，下面我們將這個(gè)表寫入Excel中，先上代碼

import pdfplumber as pr
import pandas as pd
pdf = pr.open('關(guān)于使用自有資金購買銀行理財(cái)產(chǎn)品的進(jìn)展公告.PDF')
ps = pdf.pages
pg = ps[3]
tables = pg.extract_tables()
table = tables[0]
print(table)
df = pd.DataFrame(table[1:],columns = table[0])
for i in range(len(table)):
    for j in range(len(table[i])):
        table[i][j] = table[i][j].replace('n','')
df1 = pd.DataFrame(table[1:],columns = table[0])
df1.to_excel('page2.xlsx')

得到的結(jié)果如下：

通過與PDF上原表格對比，在內(nèi)容上是完全一致的，唯一不同的是由于主營業(yè)務(wù)內(nèi)容較多，導(dǎo)致顯示的不全面，現(xiàn)在來說說這段代碼。

首先導(dǎo)入要用到的兩個(gè)庫。在pdfplumber中，open()函數(shù)是用來打開PDF文件，該代碼用的是相對路徑。.open().pages則是獲取PDF的頁數(shù)，打印ps值可以得到如下

pg = ps[3]代表的就是我們所選的第三頁。

pg.extract_tables()：可輸出頁面中所有表格，并返回一個(gè)嵌套列表，其結(jié)構(gòu)層次為table→row→cell。此時(shí)，頁面上的整個(gè)表格被放入一個(gè)大列表中，原表格中的各行組成該大列表中的各個(gè)子列表。若需輸出單個(gè)外層列表元素，得到的便是由原表格同一行元素構(gòu)成的列表。

與其類似的是pg.extract_table( )：返回多個(gè)獨(dú)立列表，其結(jié)構(gòu)層次為row→cell。若頁面中存在多個(gè)行數(shù)相同的表格，則默認(rèn)輸出頂部表格；否則，僅輸出行數(shù)最多的一個(gè)表格。此時(shí)，表格的每一行都作為一個(gè)單獨(dú)的列表，列表中每個(gè)元素即為原表格的各個(gè)單元格內(nèi)容。

由于該頁面中只有一個(gè)表格，我們需要tables集合中的第一個(gè)元素。打印table值，如下：

可以看到在上述中是存在n這種沒不要的字符，它的作用其實(shí)是換行但我們在Excel中是不需要的。所以需要剔除它，用代碼中的for循環(huán)與replace函數(shù)將控制替換成空格(即刪除n)。觀察table是一個(gè)裝有2個(gè)元素的列表。

最后df1 = pd.DataFrame(table[1:],columns = table[0])這段代碼的作用就是創(chuàng)建一個(gè)數(shù)據(jù)框，將內(nèi)容放到對應(yīng)的行列中。

本代碼只是簡單將數(shù)據(jù)存入到Excel，如果你需要進(jìn)一步對樣式進(jìn)行調(diào)整，可以使用openpyxl等模塊進(jìn)行修改，具體可以看之前文章Python操作Excel詳解

二、復(fù)雜型表格提取

復(fù)雜型表格即表格樣式不統(tǒng)一或一頁中有多個(gè)表格，以PDF中的第五頁為例：

可以看到本頁中有兩個(gè)大的表格，并且細(xì)看的話，其實(shí)是4個(gè)表格，按照簡單型表格類型提取方法，得到的效果如下：

可以看到，只是將全部表格文本提取出來，但實(shí)際上第一個(gè)表格又細(xì)分為兩個(gè)表，所以需要我們進(jìn)一步修改，將這張表再次拆分！例如提取上半部分代碼如下：

import pdfplumber as pr
import pandas as pd
pdf = pr.open('關(guān)于使用自有資金購買銀行理財(cái)產(chǎn)品的進(jìn)展公告.PDF')
ps = pdf.pages
pg = ps[4]
tables = pg.extract_tables() table = tables[0] print(table)
df = pd.DataFrame(table[1:],columns = table[0]) for i in range(len(table)):
    for j in range(len(table[i])):
        table[i][j] = table[i][j].replace('n','')
df1 = pd.DataFrame(table[1:],columns = table[0])
df2 = df1.iloc[2:,:]
df2 = df2.rename(columns = {"2019年12月31日":"2019年1-12月","2020年9月30日":"2020年1-9月"})
df2 = df2.loc[3:,:]
df1 = df1.loc[:1,:]
with pd.ExcelWriter('公司影響.xlsx') as i:
    df1.to_excel(i,sheet_name='資產(chǎn)', index=False, header=True) #放入資產(chǎn)數(shù)據(jù)
    df2.to_excel(i,sheet_name='營業(yè)',index=False, header=True) #放入營業(yè)數(shù)據(jù)

這段代碼在簡單型表格提取的基礎(chǔ)上進(jìn)行了修改，第十四行代碼的作用就是提取另外一個(gè)表頭的信息，并將他賦值給df2，而后對df2進(jìn)行重命名操作(用到rename函數(shù))。

打印df2可以看出columns列名和第一行信息重復(fù)了，因此我們需要重復(fù)剛剛的步驟，利用loc()函數(shù)切割數(shù)據(jù)框。

注意，我們這里用了罕見的pandas.Excelwriter函數(shù)套for循環(huán)，這個(gè)是為了避免直接寫入導(dǎo)致的最后數(shù)據(jù)覆蓋原數(shù)據(jù)，感興趣可以嘗試一下不用withopen這種方法后結(jié)果。最終得到的效果如下：

可以看到，現(xiàn)在這個(gè)表格就被放在兩個(gè)sheet中單獨(dú)展示，當(dāng)然用于對比放在一張表中也是可以的

說到底復(fù)雜型表格的主觀性是非常大的，需要根據(jù)不同情況進(jìn)行不同處理，想寫出一個(gè)一勞永逸的辦法是比較困難的！

三、圖片型表格提取

最后也是最難處理的就是圖片型表格，經(jīng)常有人會(huì)問如何提取圖片型PDF中的表格/文本等信息。

其實(shí)本質(zhì)上就是提取圖片，之后如何對圖片進(jìn)一步處理提取信息就與Python提取PDF表格這個(gè)主題沒有太大關(guān)系了！

這里我們也簡單進(jìn)行介紹，也就是先提取圖片再進(jìn)行OCR識(shí)別提取表格，在Python中可以使用Tesseract庫，首先需要pip安裝

pip install pytesseract

在Python中安裝完這個(gè)庫之后我們需要安裝exe文件以在后面代碼用到。

http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe 

下載安裝完即可，注意目前如果按照正常步驟安裝的話是不會(huì)識(shí)別中文的，所以需要安裝簡體中文語言包，下載地址為https://github.com/tesseract-ocr/tessdata/find/master/chi_sim.traineddata，將其放到Tesseract-OCR的tessdata目錄下即可。

接下來我們使用一個(gè)簡單的圖片型pdf如下：

第一步，提取圖片，這里使用在GUI辦公自動(dòng)化系列中的圖片提取軟件來提取PDF中的圖片，得到如下圖片：

接著執(zhí)行下方代碼識(shí)別圖片內(nèi)容：

import pytesseract from PIL import Image import pandas as pd
pytesseract.pytesseract.tesseract_cmd = 'C://Program Files (x86)/Tesseract-OCR/tesseract.exe' tiqu = pytesseract.image_to_string(Image.open('圖片型.jpg')) print(tiqu)
tiqu = tiqu.split('n') while '' in tiqu:    #不能使用for   tiqu.remove('')
  first = tiqu[:6]
  second = tiqu[6:12]
  third =  tiqu[12:]
  df = pd.DataFrame()
  df[first[0]] = first[1:]
  df[second[0]] = second[1:]
  df[third[0]] = third[1:] #df.to_excel('圖片型表格.xlsx')  #轉(zhuǎn)為xlsx文件 

我們的思路是用Tesseract-OCR來解析圖片，得到一個(gè)字符串，接著對字符串運(yùn)用split函數(shù)，把字符串變成列表同時(shí)刪除n。

接著可以發(fā)現(xiàn)我們的列表里還存在空格，這時(shí)我們用while循環(huán)來刪除這些空字符，注意，這里不能用for循環(huán)，因?yàn)槊看蝿h除一個(gè)，列表里的元素就會(huì)前進(jìn)一個(gè)，這樣會(huì)刪不完全。最后就是用pandas把這些變成數(shù)據(jù)框形式。最終得到的效果如下：

可以看到，該圖片型表格內(nèi)容被完美解析與處理！當(dāng)然能輕松搞定的原因也與這個(gè)表格足夠簡單有關(guān)，在真實(shí)場景中的圖片可能會(huì)有更復(fù)雜的干擾因素，而這就需要大家在處理的同時(shí)自行找到一個(gè)最合適的辦法！