python玩轉PDF文檔

python作為一種具有相對簡單語法的高級解釋語言，即使對於那些沒有編程經驗的人來說，Python也是簡單易操作的。強大的Python庫讓你事半功倍。

在處理文本信息時，通常我們需要從word、PDF文檔中提取出信息，而PDF是最重要和最廣泛使用的用來呈現和交換文件的數字媒體之一，。PDF包含有用的信息，鏈接和按鈕，表單域，音頻，視頻和業務邏輯。python庫很好地集成並提供處理非結構化數據源。運用python可以輕鬆從PDF中提取有用信息後，您可以輕鬆地將該數據用於任何機器學習或自然語言處理模型。

常見的Python庫

以下是可用於處理PDF文件的一些Python庫

1. PDFMiner ：一個從PDF文檔中提取信息的工具。與其他PDF相關工具不同，它完全專註於獲取和分析文本數據。
2. PyPDF2 ：一個純python PDF庫，能夠分割，合併，裁剪和轉換PDF文件的頁面。它還可以向PDF文件添加自定義數據，查看選項和密碼。它可以從PDF中檢索文本和元數據，以及將整個文件合併在一起。
3. Tabula-py：一個 tabula-java的簡單Python包裝器，它可以讀取PDF表。您可以從PDF讀取表格並轉換為pandas的DataFrame。tabula-py還允許您將PDF文件轉換為CSV / TSV / JSON文件。
4. Slate：PDFMiner的包裝器實現
5. PDFQuery：pdfminer，lxml和pyquery的輕量級包裝器。它旨在使用儘可能少的代碼可靠地從PDF集合中提取數據。
6. xpdf ：xpdf的 Python包裝器（目前只是「pdftotext」實用程序）

從pdf中提取文本

使用PyPDF2從pdf中提取簡單文本，示例代碼如下：

import PyPDF2
# pdf file object
# you can find find the pdf file with complete code in below
pdfFileObj = open(example.pdf, rb)
# pdf reader object
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
# number of pages in pdf
print(pdfReader.numPages)
# a page object
pageObj = pdfReader.getPage(0)
# extracting text from page.
# this will print the text you can also save that into String
print(pageObj.extractText())


從pdf中讀取表格數據

使用Pdf中的Table數據，我們可以使用Tabula-py,示例代碼如下：

import tabula
# readinf the PDF file that contain Table Data
# you can find find the pdf file with complete code in below
# read_pdf will save the pdf table into Pandas Dataframe
df = tabula.read_pdf("offense.pdf")
# in order to print first 5 lines of Table
df.head()


如果您的Pdf文件包含多個表，可以進行如下設置：

df = tabula.read_pdf（「crime.pdf」，multiple_tables = True）


還可以從任何特定PDF頁面的特定部分提取信息

tabula.read_pdf（「crime.pdf」，area =（126,149,212,462），pages = 1）


設置讀取輸出為JSON格式

tabula.read_pdf（「crime.pdf」，output_format =「json」）


將Pdf導出到Excel

使用以下代碼將PDF數據轉換為Excel或CSV

tabula.convert_into（「crime.pdf」，「crime_testing.xlsx」，output_format =「xlsx」）


更多參考資料

python提取pdf信息：