PDFは、多くの治療のPDFライブラリがあり、異常なピットの父のことですが、完璧ではありません。

、pdfminer3k

pdfminer3kは、主にPDFファイルにテキストを読むために、のpython3バージョンpdfminerです。

ただ、あまりにも複雑で、約Pythonのシンプルに反しTucaoしたい、オンライン多くのpdfminer3kコード例がある、と後で読みます。

PDFDocument、からインポートPDFParserのpdfminer.pdfparser 
インポートPDFResourceManager、PDFPageInterpreter pdfminer.pdfinterpから
インポートPDFPageAggregator pdfminer.converterから
LTTextBox、インポートLAParams pdfminer.layoutから
インポートPDFTextExtractionNotAllowedのpdfminer.pdfinterpから

パス= "test.pdfという" 

作成するファイルオブジェクトと＃ PDF文書アナライザ
praser = PDFParser（オープン（パス、 'RB'））
＃PDF文書作成
DOC = PDFDocument（）
ドキュメントオブジェクトと＃パーサー接続
praser.set_document（DOC）
doc.set_parser（praser） 

＃を初期化コードを提供
＃あなたは空の文字列にパスワードを作成していない場合は
doc.initializeを（） 

＃はTXTドキュメントの変換は、無視を提供していないかどうかを検出
doc.is_extractableされていない場合：
    昇給はPDFTextExtractionNotAllowed 
他：
    ＃は、PDFエクスプローラは、共有リソースを管理するために作成
    rsrcmgr = PDFResourceManager（）
    ＃PDFデバイスオブジェクト作成
    laparams =のLAParams（）
    デバイス= PDFPageAggregator（rsrcmgr、laparams = laparams）
    PDFインタプリタは、オブジェクトを作成位
    インタプリタ= PDFPageInterpreter（rsrcmgr、装置）

    リストを＃ループ、各コンテンツのページを扱う
    doc.get_pagesにページの（）：
        interpreter.process_page（ページ）                         
        ＃ページLTPage対象受け入れる
        レイアウト= device.get_result（）
        ここで＃はLTPageレイアウト・オブジェクトです、さまざまなオブジェクト内に格納され、このページには、解析された
        ようLTTextBox、LTFigure、LTImage、LTTextBoxHorizontalを含める＃を                             
        ：Xにおけるレイアウトの 
            でisinstance（X、LTTextBox）IF：
                印刷（。x.get_text（）ストリップ（））

処理のためのpdfminerたちはフォーマットテキストを抽出することはできませんが、非常に非友好を形成します：

PDFファイル形式のスクリーンショット：

コード実行中の結果：

この結果は、テーブルを復元することは容易ではないしたい、プラス多くのルールは、必然的に衰退の多様性につながります。

二、タブラ-PY

CSV、Excel形式へのPDFの書き出しをサポートしながらタブラは、PDF形式のデータを抽出するように設計されていますが、このツールは、Javaで書かれている、java7 / 8を利用しています。タブラ-PYそれはPythonのパッケージングの層で作られ、それはまた、java7 / 8に依存します。

コードは簡単です：

インポートタブラの

パス= 'test.pdfという' 

DF = tabula.read_pdf（パスエンコード= 'GBK'、ページ= 'すべて'）
df.indexでindexs用：
    プリント（df.loc [indexs] .values）

＃1タブラ。 convert_into（パス、os.path.splitext（パス）[0] + 'CSV'、ページ= 'すべて'）

それは、PDFの専門取り扱いの形が、実際の効果として知られているが、あなたがたではありません。次のようにまたはPDF、pdfminerの業績は以下のとおりです。

この結果は、実際には非常に恥ずかしいああ、間違って識別するための最初のテーブルで、そこにPDF内の2つのテーブルがあり、私はテーブルを区別するためにどのように見つけることができませんでした。

三、pdfplumber

pdfplumberは、すべてのテキストを処理するために、PDFのページに基づいており、ページを取得し、フォームを抽出するための単一の方法を提供することができます。

import pdfplumber

path = 'test.pdf'
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
    # print(page.extract_text())                        

    for table in page.extract_tables():
        # print(table)
        for row in table:
            print(row)
        print('---------- 分割线 ----------')

pdf.close()

得到的 table 是个 string 类型的二维数组，这里为了跟 tabula 比较，按行输出显示。

可以看到，跟 tabula 相比，首先是可以区分表格，其次，准确率也提高了很多，表头的识别完全正确。对于表格中有换行的，识别还不是很正确，但至少列的划分没问题，所以还是能处理的。

import pdfplumber
import re

path = 'test1.pdf'
pdf = pdfplumber.open(path)

for page in pdf.pages:
    print(page.extract_text())
    for pdf_table in page.extract_tables():
        table = []
        cells = []
        for row in pdf_table:
            if not any(row):
                # 如果一行全为空，则视为一条记录结束
                if any(cells):
                    table.append(cells)
                    cells = []
            elif all(row):
                # 如果一行全不为空，则本条为新行，上一条结束
                if any(cells):
                    table.append(cells)
                    cells = []
                table.append(row)
            else:
                if len(cells) == 0:
                    cells = row
                else:
                    for i in range(len(row)):
                        if row[i] is not None:
                            cells[i] = row[i] if cells[i] is None else cells[i] + row[i]
        for row in table:
            print([re.sub('\s+', '', cell) if cell is not None else None for cell in row])
        print('---------- 分割线 ----------')

pdf.close()

经过处理后，运行得到结果：