用python解析pdf中的文本与表格【pdfplumber的安装与使用】

我们接触到的很多文档资料都是以pdf格式存在的，比如：论文，技术文档，标准文件，书籍等。pdf格式使得用机器从中提取信息格外困难。

为了解决这个问题，我找到了几种解决方案，最后选择了python上的pdfplumber库，安装和使用都相对比较方便，效果也还不错，所以下面介绍这个库的安装与使用。

安装

我的电脑配置环境： Win10+python3.6 和许多库一样，其基本安装只需要pip就可以了。

pip install pdfplumber

不过本库还提供了图形Debug功能，可以获得PDF页面的截图，并且用方框框起识别到的文字或表格，帮助判断PDF的识别情况，并且进行配置的调整。【具体例子在后面附上。】

要使用这个功能，还需要安装ImageMagick （特别注意，是6.X版本而不是最新的7.X版本。下载地址如下：https://legacy.imagemagick.org/script/binary-releases.php#windows ）

按照官网的指示，理论上安装了这个就可以了，不过，我在使用to_image函数输出图片时，遇到了DelegateException。后来发现，还需要安装另一个软件才能够解决问题。 GhostScript: https://www.ghostscript.com/download/gsdnld.html 【注意，一定要下载32位版本，哪怕Windows和python的版本是64位的。】 然后就大功告成了！

基本使用

本库最重要的应用是提取页面上的文本和表格，用法如下：

import pdfplumber
import pandas as pd

with pdfplumber.open("path/to/file.pdf") as pdf:
    first_page = pdf.pages[0]
    # 获取文本，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(first_page.extract_texts()) 
    # 获取本页全部表格，也可以使用extract_table()获得单个表格
    for table in p0.extract_tables(): 
        #得到的table是嵌套list类型，转化成DataFrame更加方便查看和分析 
        df = pd.DataFrame(table[1:], columns=table[0]) 
        print(df)

pdfplumber还可以获得页面上的所有单词、直线、方格、乃至曲线的位置信息，具体可以看看官网的说明：https://github.com/jsvine/pdfplumber

图形展示

最后，附上官网的一个示例jupyter notebook，从这个例子中可以看到其图形展示的功能和更多的用法： src="https://nbviewer.jupyter.org/github/jsvine/pdfplumber/blob/master/examples/notebooks/extract-table-nics.ipynb" width="720" height="2000">