pdfplumber 提取 PDF 文本及表格

pdfplumber-0.5.12，适用于python 2.7、3.5、3.6. 官网链接在此：https://github.com/jsvine/pdfplumber

一、安装

pip install pdfplumber

二、使用

提取文本：pdf.page[0].extract_text() 提取表格：pdf.page[0].extract_tables()

提取文字与表格（去除空格），分别写入txt文档，代码如下：

import pdfplumber
path = path/to/file.pdf
fileNames = os.path.splitext(path)

pdf = pdfplumber.open(path)
for page in pdf.pages:
    # 获取当前页面的全部文本信息，包括表格中的文字，写入txt文档
    # 直接得到字符串，包括了换行符【与PDF上的换行位置一致，而不是实际的“段落”】
	# print(page.extract_text())
	with open(fileNames[0] + _txt.txt, a+) as m:
        m.write(page.extract_text())
    m.close()
    
    # 提取本页全部表格内容,删除空格等，写入txt文档
    # 得到的table是嵌套list类型
    for table in page.extract_tables():
        for row_old in table:  # 表中每一行
            row_new = []
            for i in range(len(row_old)):
                if row_old[i]:
                    row_new.append(row_old[i])
            # print(str(row_new).replace(\n, ).decode(unicode-escape))
            if len(row_new) != 0:
                with open(fileNames[0] + _table.txt, a+) as f:
                    f.write(str(row_new).replace(\n, )+
)
                f.close()
pdf.close()

模块相关介绍：

https://github.com/jsvine/pdfplumber#pdfplumber-v0512

pdf.pdf 类

pdf.page 类

关于方法和描述请见：https://github.com/jsvine/pdfplumber#the-pdfplumberpage-class

对象

每个实例pdfplumber.PDF和pdfplumber.Page访问四种类型的PDF对象。以下属性各自返回匹配对象的Python列表：

关于属性和描述请见：https://github.com/jsvine/pdfplumber#objects