PDF表格信息提取

本文作者：王碧琪
文字编辑：钱梦璇
技术总编：张 邯

在《提取PDF文本信息：入门》中，我们介绍了使用pdfminer提取PDF中的信息，其中提取的是文本内容，而对于表格内容，使用pdfminer会输出无格式的文本，不能保留表格格式，而pdfplumber就能很好的解决问题。本文将比较两个方法的差异。
待处理的PDF文档中的表格如下：

image

一、pdfminer

我们用以下程序使用pdfminer进行提取(具体原理已在上篇文章中详述)：

from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import *

parser = PDFParser(open(r"d: \table.pdf"))  
doc = PDFDocument() 
parser.set_document(doc) 
doc.set_parser(parser) 

rsrcmgr = PDFResourceManager() #创建PDF资源管理器来管理共享资源
laparams = LAParams() #创建一个PDF设备对象
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device) #创建一个PDF解释器对象

with open(r"d:\table.txt", 'w') as f:
    for page in doc.get_pages(): #循环遍历列表，每次处理一个page的内容
        interpreter.process_page(page)
        layout = device.get_result()
        for x in layout:
            if isinstance(x, LTTextBox):
                print(x.get_text().strip())
                f.write(x.get_text().strip()+"\n")

结果为：

2010
Things
Quantity
Apples
Oranges
Pears
10
20
8

由于只能提取文字，这样的结果已经破坏了最初的表格样式。

二、pdfplumber

首先导入库，生成pdfplumber对象：

import pdfplumber 
pdf = pdfplumber.open(r"d: \table.pdf") 
print(pdf)

结果如下：

<pdfplumber.pdf.PDF object at 0x000001A536631DC8>

结果表明生成了一个pdfplumber对象，我们可以调用.pages()方法解析得到每一页的内容：

pages=pdf.pages 
print(pages)

结果如下：

[<pdfplumber.page.Page object at 0x000001A534FD8348>]

生成的可迭代对象可以通过for遍历：

for p in pages:
    table1=p.extract_table()
    print(table1)

结果如下：

[['2010', None], ['Things', 'Quantity'], ['Apples', '10'], ['Oranges', '20'], ['Pears', '8']]

table1是一个列表，到这里我们就得到了文档中的表格内容了。列表table1中有若干个小列表，分别表示表格内容中的每一行，每个小列表中有两个元素，虽然原表格内容的第一行只有一个元素，但是这里的结果是补齐成两个元素。我们逐行打印出来。

for unitrow in table1:
print(unitrow)

结果如下：

['2010', None]
['Things', 'Quantity']
['Apples', '10']
['Oranges', '20']
['Pears', '8']

另外，这里为了更清晰明了地展示列表内容，可以引入pandas库。

import pandas as pd

df=pd.DataFrame(table1[1:],columns=table1[0])
print(df)

结果如下：

image

这样，就得到了比较规整的保留原格式的PDF表格内容了。PDF文档的内容提取比较费工夫，这里提供的表格内容提取方式相对比较成熟。接下来，小编将继续探索PDF文档的内容提取方式，敬请关注~