为了提取pdf中的表格数据，python遇到excel，各显神通！

Hi~大家好！

不知大家在工作中有没有过提取pdf表格数据的经历，按照普通人的思维，提取pdf的表格数据的方法可能会选择复制粘贴，但这是一个相当繁杂且重复的工作。而今天我们会讲解如何用python和excel来提取pdf的表格数据，看二者哪个更为方便！

Excel

本次依然使用excel的神器power qoery编辑器，而接下来的操作其实和合并工作表差不多，让我们来看看它是怎么操作的！

excel提取pdf表格数据最好用office365版本，office2016版本的会没有来自PDF这个选项,且不会出现导航器界面，它会连文本一起导入，无法直接选择需要导入的表格，但他可以进入power qoery编辑器时进行筛选出Table类型的表格！二者差别只在于前面几步，看完后有疑问的可以在后台提问哦！

office365安装包（附教程）获取可在公众号后台发送：365 获取！

office2016版本

这里先说下office2016版本的前面操作，从文件导入PDF文件：

这里下面需要选择所有文件，然后导入pdf文件；然后会进入power qoery编辑器，需要筛选出Table类型的表格，然后office365到将查询追加为新查询这一步时，2016版本和365版本的一样：

office365版本

导入pdf文件：①点击【数据】→②点击【获取数据】→③点击【来自文件】→④选择【来自PDF】

在弹出的【导入数据】窗口中选择PDF文件：

在弹出的【导航器】窗口中：①勾选【选择多项】→②在【pdf文件】下选择【Table类型的表格】→③查看数据，看是否为你需要的→④点击【转换数据】,跳转至power Query编辑器界面。

接下来把提取出来的表格进行合并。在弹出的power Query编辑器界面中：①选择【主页】→②单击【追加查询下拉箭头】→③选择【将查询追加为新查询】

在弹出的【追加】窗口中：①选择【三个或更多表】→②在【可用表】中，把【需要合并的工作表】添加至【要追加的表】中→③调整【工作表顺序】→④点击【确定】

修改列名称，最后：①单击【主页】→②单击【关闭并上载】下拉箭头→③单击【关闭并上载】

效果展示：

Python

python若想将一份PDF文件的表格导出到excel，可以用pdfplumber实现，安装用pip命令安装即可：

pip install pdfplumber

导入需要用到的模块：

import pdfplumber
import pandas as pd

提取单个表格：

pdf = pdfplumber.open(r'D:\办公自动化\wb1.pdf')
page = pdf.pages[0]  
pprint.pprint(page.extract_table()) 

结果展示，产生的是一个二级嵌套列表：

这里需要注意的是：page = pdf.pages[0]这一行，它表示提取pdf文件中第几页；以及extract_table，它默认提取该页面第一个表格，如果该页面有多个表格要提取，则需要在extract_table加上s，表示提取多个表格。

提取多个表格：

pdf = pdfplumber.open(r'D:\办公自动化\wb1.pdf')
page = pdf.pages[0]  
pprint.pprint(page.extract_tables())

产生的是一个三级嵌套列表：

那如果要保存多页中的多个表格该怎么做？其实建立个for循环就可以了：

pdf = pdfplumber.open(r'D:\办公自动化\wb1.pdf')
for i in range(3): 
    page = pdf.pages[i]  # 传入循环值
    datalist = page.extract_tables()
    # 提取的数据因为是三级嵌套列表，所以需要进行循环提取
    for o in datalist:  
        for p in o:
         # 用pandas保存为csv格式 
            data = pd.DataFrame({'排名': [p[0]], '标题': [p[1]], '热度': [p[2]], '时间': [p[3]]})
            df = pd.concat([df, data])
df.to_csv('wb.csv', encoding='utf-8', index=False)

效果展示：

结语

二者的操作并不是很难，python代码可以重复利用，而excel需要重复操作；python代码虽然会因为PDF文件中的格式以及要提取内容复杂，比如哪个表格不需要之类的问题，而需要更改，但更改的会比较少。虽然需要性重复操作较多，但在提取复杂的表格时，我更建议使用excel。