python玩转PDF文档

15

python作为一种具有相对简单语法的高级解释语言，即使对于那些没有编程经验的人来说，Python也是简单易操作的。强大的Python库让你事半功倍。

在处理文本信息时，通常我们需要从word、PDF文档中提取出信息，而PDF是最重要和最广泛使用的用来呈现和交换文件的数字媒体之一，。PDF包含有用的信息，链接和按钮，表单域，音频，视频和业务逻辑。python库很好地集成并提供处理非结构化数据源。运用python可以轻松从PDF中提取有用信息后，您可以轻松地将该数据用于任何机器学习或自然语言处理模型。

常见的Python库

以下是可用于处理PDF文件的一些Python库

PDFMiner ：一个从PDF文档中提取信息的工具。与其他PDF相关工具不同，它完全专注于获取和分析文本数据。

PyPDF2：一个纯python PDF库，能够分割，合并，裁剪和转换PDF文件的页面。它还可以向PDF文件添加自定义数据，查看选项和密码。它可以从PDF中检索文本和元数据，以及将整个文件合并在一起。

Tabula-py：一个 tabula-java的简单Python包装器，它可以读取PDF表。您可以从PDF读取表格并转换为pandas的DataFrame。tabula-py还允许您将PDF文件转换为CSV / TSV / JSON文件。

Slate：PDFMiner的包装器实现

PDFQuery：pdfminer，lxml和pyquery的轻量级包装器。它旨在使用尽可能少的代码可靠地从PDF集合中提取数据。

xpdf：xpdf的 Python包装器（目前只是“pdftotext”实用程序）

从pdf中提取文本

使用PyPDF2从pdf中提取简单文本，示例代码如下：

从pdf中读取表格数据

使用Pdf中的Table数据，我们可以使用Tabula-py,示例代码如下：

如果您的Pdf文件包含多个表，可以进行如下设置：

还可以从任何特定PDF页面的特定部分提取信息

设置读取输出为JSON格式

将Pdf导出到Excel

使用以下代码将PDF数据转换为Excel或CSV

更多参考资料

python提取pdf信息：

https://www.geeksforgeeks.org/working-with-pdf-files-in-python/

原文：

https://towardsdatascience.com/python-for-pdf-ef0fac2808b0

PyPDF2库文档：

https://automatetheboringstuff.com/chapter13/