如何利用Python抓取PDF中的某些內容？

01-07

我現在有大約2000份公司的年報（英文），想從每份中抓取固定的內容（比如說TOTAL ASSET）。如果手動搜索然後複製粘貼進EXCEL太費事了。有沒有什麼辦法能自動化這個過程。這些年報是PDF格式的

你的問題事實上包含幾部分：

將 PDF 轉化為純文本格式
抽取其中部分內容
格式化寫入到 excel 中

轉換 PDF 有很多庫可以完成，如下是通過 pdfminer 的示例：

from cStringIO import StringIO


from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter

from pdfminer.converter import TextConverter

from pdfminer.layout import LAParams

from pdfminer.pdfpage import PDFPage
def convert_pdf_2_text(path):
    rsrcmgr = PDFResourceManager()

    retstr = StringIO()
    device = TextConverter(rsrcmgr, retstr, codec="utf-8", laparams=LAParams())

    interpreter = PDFPageInterpreter(rsrcmgr, device)
    with open(path, "rb") as fp:

        for page in PDFPage.get_pages(fp, set()):

            interpreter.process_page(page)

        text = retstr.getvalue()
    device.close()

    retstr.close()

return text

需要指出的是，pdfminer 不但可以將 PDF 轉換為 text 文本，還可以轉換為 HTML 等帶有標籤的文本。上面只是最簡單的示例，如果每頁有很獨特的標誌，你還可以按頁單獨處理。

方法很多，比如之前提到的pypdf。然而用起來其實稍顯麻煩，很多操作不夠方便。

所以我一般用pdf2htmlex（github上有，一個國人項目，非python）先把pdf轉html，接下來再用bs4來解析處理。好處是處理html的工具非常非常豐富，且pdf2htmlex對原頁面的效果保持得特別好，特別是對於那些個用word和latex導出的pdf里，大量數據圖表裡的標籤可以很方便地把值抓出來……

pdfminer 對表格不友好，推薦使用pdf2htmlex。

用pyPdf http://pybrary.net/pyPdf/

教程的話谷歌百度一下一大堆 = =