Python 中怎么提取 PDF 表格数据

Python 中怎么提取 PDF 表格数据

在日常的数据处理工作中，我们经常会遇到需要从 PDF 文件中提取表格数据的需求。PDF 文件由于其格式的复杂性，直接提取其中的表格数据并不像处理 Excel 或 CSV 文件那样简单。然而，借助 Python 的强大库，我们可以相对轻松地完成这项任务。本文将介绍如何使用 Python 提取 PDF 文件中的表格数据。

1. 准备工作

在开始之前，我们需要安装一些必要的 Python 库。这些库将帮助我们解析 PDF 文件并提取其中的表格数据。

pip install PyMuPDF
pip install pdfplumber
pip install pandas

• PyMuPDF：一个功能强大的 PDF 解析库，可以用于提取 PDF 中的文本、图像和表格。
• pdfplumber：一个专门用于从 PDF 中提取表格数据的库，支持复杂的表格结构。
• pandas：用于数据处理和分析的库，我们将使用它来存储和处理提取的表格数据。

2. 使用 PyMuPDF 提取表格数据

PyMuPDF 是一个功能强大的 PDF 解析库，可以用于提取 PDF 中的文本、图像和表格。下面是一个简单的示例，展示如何使用 PyMuPDF 提取 PDF 中的表格数据。

import fitz  # PyMuPDF

def extract_tables_with_pymupdf(pdf_path):
    doc = fitz.open(pdf_path)
    tables = []
    
    for page_num in range(len(doc)):
        page = doc.load_page(page_num)
        text = page.get_text("text")
        # 这里假设表格数据是以某种格式的文本呈现的
        # 你可以根据实际情况进行解析
        tables.append(text)
    
    return tables

pdf_path = "example.pdf"
tables = extract_tables_with_pymupdf(pdf_path)
for table in tables:
    print(table)

2.1 解析表格数据

PyMuPDF 提取的表格数据通常是纯文本格式的，因此我们需要根据表格的结构进行解析。例如，如果表格数据是以制表符或逗号分隔的，我们可以使用 Python 的字符串处理方法来解析数据。

def parse_table_data(table_text):
    rows = table_text.split("\n")
    table_data = []
    
    for row in rows:
        columns = row.split("\t")  # 假设表格数据是以制表符分隔的
        table_data.append(columns)
    
    return table_data

parsed_tables = [parse_table_data(table) for table in tables]
for table in parsed_tables:
    print(table)

2.2 将表格数据转换为 DataFrame

为了更方便地处理表格数据，我们可以将其转换为 pandas 的 DataFrame。

import pandas as pd

def convert_to_dataframe(table_data):
    return pd.DataFrame(table_data)

dataframes = [convert_to_dataframe(table) for table in parsed_tables]
for df in dataframes:
    print(df)

3. 使用 pdfplumber 提取表格数据

pdfplumber 是一个专门用于从 PDF 中提取表格数据的库，它支持复杂的表格结构。下面是一个使用 pdfplumber 提取表格数据的示例。

import pdfplumber

def extract_tables_with_pdfplumber(pdf_path):
    tables = []
    
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            table = page.extract_table()
            if table:
                tables.append(table)
    
    return tables

pdf_path = "example.pdf"
tables = extract_tables_with_pdfplumber(pdf_path)
for table in tables:
    print(table)

3.1 将表格数据转换为 DataFrame

与 PyMuPDF 类似，我们可以将 pdfplumber 提取的表格数据转换为 pandas 的 DataFrame。

import pandas as pd

def convert_to_dataframe(table_data):
    return pd.DataFrame(table_data[1:], columns=table_data[0])

dataframes = [convert_to_dataframe(table) for table in tables]
for df in dataframes:
    print(df)

4. 处理复杂的表格结构

在实际应用中，PDF 文件中的表格结构可能非常复杂，包含合并单元格、嵌套表格等。对于这些情况，我们需要更复杂的解析方法。

4.1 处理合并单元格

pdfplumber 提供了处理合并单元格的功能。我们可以通过设置 table_settings 参数来调整表格提取的精度。

import pdfplumber

def extract_complex_tables(pdf_path):
    tables = []
    
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            table = page.extract_table(table_settings={
                "vertical_strategy": "text",
                "horizontal_strategy": "text"
            })
            if table:
                tables.append(table)
    
    return tables

pdf_path = "complex_example.pdf"
tables = extract_complex_tables(pdf_path)
for table in tables:
    print(table)

4.2 处理嵌套表格

对于嵌套表格，我们可以通过递归的方式提取每一层的表格数据。

def extract_nested_tables(table_data):
    nested_tables = []
    
    for row in table_data:
        for cell in row:
            if isinstance(cell, list):
                nested_tables.append(cell)
    
    return nested_tables

nested_tables = extract_nested_tables(tables)
for table in nested_tables:
    print(table)

5. 总结

通过使用 Python 的 PyMuPDF 和 pdfplumber 库，我们可以相对轻松地从 PDF 文件中提取表格数据。对于简单的表格结构，直接使用这些库即可完成任务。对于复杂的表格结构，我们需要结合字符串处理、递归等方法进行更精细的解析。

在实际应用中，PDF 文件的格式千差万别，因此我们需要根据具体情况调整解析方法。希望本文的介绍能够帮助你更好地处理 PDF 表格数据提取的任务。