Python 竟能解析 PDF 表格？

需求

公司的PDF年报中有各种各样的表格，需要对其中的某些具体的小标题下的表格解析出来，也就是所谓的数据结构化。

解决方案

通过看别人写的博客，发现python里面有关PDF解析的通常有以下四种：

pdfminer，擅长仅仅是文字的解析，本小白试过了，是把表格解析成普通的文本，还经常会伴随一些莫名奇妙的不认识的符号。这个方案pass掉

pdf2html，看例是把pdf解析成html，但是html的标签并没有规律，解析一个还行，但是本小白是许多的pdf文档下小标题的表格，这个方案直接pass掉

tabula，这个是我看过的前辈写的博客中使用最多的，本人用过了。对于简单的表格，也就是单元格中没有换行的，表头表尾形式不复杂的，这个方案的值得推荐。电脑需要有Java的环境。

pdfplumber，这个是看了知乎上的一个大佬的发现，并且自己安装成功之后，发现最小众，但是最符合我的需求的解决方案。前提是是需要安装ImageMagick的

实施解决

本人一共使用了两种方案解决了我的需求，分别是tabula和pdfplumber

先做前期的工作

1，将PDF文件转化为JPG格式，进行搜索关键字，查看想要的表格的页码比如下图中的风险管理状况的得分表：

代码如下：(有宝宝的百度AIP密钥哦！）

上面的模块安装起来应该问题不大，有问题的话可以留言哦。

调用函数的输出如下

会输出相应的页码（无耻的骄傲一下下，看看宝宝的jupyter好看不？）

在拿到页码的情况下，我们就可以为所欲为啦！

首先就是第一种方法：tabula

具体的操作方法如下：

这个直接返回的是一个数据帧，所以就直接是结构化的数据啦！

输出结果是这样哒：

这样的话，我们就已经完成了我们的需求啦！后续的关于写入的Excel中中的话，在下就部多言啦！可以移步熊猫或者为pywin32哦！

虽然塔布拉是很方便，但是它的输出是真的不方便，而且还需要装的的的java的环境，JAVA的环境变量搞的本宝宝肾亏...

有时候还会输出乱七八糟的东西，比如有时候会输出繁体的中文，我就遇到过...

所以保险起见

这里再给出第二个解决方案：

再次就是二个解决方案pdfplumber

嘻嘻嘻输出如下：

虽然为了展示对比的方便，这里都是用了同样的一个表格，但是方案2的解决真的要比1好

别问我为啥知道2比1好，你试试用1去解析一些带有文字格式的表格，带有复杂的表头的表格，你就知道啦！我在这里并没有在瞎说，而且还得装的的java的，后者只装一个的的ImageMagick的就行，而且ImageMagick的的的很有用哒，嘻嘻嘻

总结

本次一共总和运用了百度OCR的接口，百度AIP这个东西嘛！这简直就是男人的宝库！自己去看看就知道啦！

还有就是使用了PDF格式的解析的包

但是还是有不足的哦，就是这两个解决方案都是针对于比较乖巧的表格的，就是横线和竖线都比较完整的表格的，像下面的这种表格：

方案一的识别输出是心有余而肾不足，输出为无

方案二的识别输出是行百步者半九十，输出为一个不太像样的表格，还需要手工的调整....

好啦本次分享就到这里啦，一并感谢借鉴过的如来神掌武功秘籍的大佬们的博客！

（完）

看完本文有收获？请转发分享给更多人

关注「Python那些事」，做全栈开发工程师