Python使用Tabula提取PDF表格數據

今天遇到一個批量讀取pdf文件中表格數據的需求，樣式大致是如下這樣：

python讀取PDF無非就是三種方式（我所瞭解的），pdfminer、pdf2htmlEX 和 Tabula。綜合考慮後，選擇了最後一種。下面對三種方式分別介紹：

pdfminer

該方式從網上搜索的結果是，能夠提取pdf文本數據，可是提取後表格信息就亂了。因此本人沒有親自實驗，就果斷放棄了實驗該方法。若是隻是提取pdf裏面的文本內容，該方式多是比較合適的。

pdf2htmlEX

該方式是經過把pdf格式轉換成html格式，而後再提取信息的方法。
Github: https://github.com/coolwanglu/pdf2htmlEX
需先下載pdf2htmlEX可執行程序，下載地址：https://github.com/coolwanglu/pdf2htmlEX/wiki/Download。

#-*- conding: utf-8 -*-

import subprocess

subprocess.call('"D:\Program Files (x86)\pdf2htmlEX-win32-0.14.6-upx-with-poppler-data\pdf2htmlEX.exe"  --dest-dir E:\\test\extract\\2017gq\\out E:\\test\extract\\2017gq\\a53277ce525547088780c4b94accb7b5.pdf', shell=True)

執行以上代碼，會在指定目錄 E:\test\extract\2017gq\out 下生成對應html文件，瀏覽器中查看效果：

能夠看到總體轉換的效果很是不錯，可是轉換後的標籤沒有特色，使數據的提取變得很是困難。多番嘗試後，感受該方法不夠通用，無法解決個人需求。也許對於單純的pdf轉html，該方式多是最好的選擇。

Tabula

Tabula是專門用來提取PDF表格數據的，同時支持PDF導出爲CSV、Excel格式。
官網： http://tabula.technology/
Github: https://github.com/chezou/tabula-py
首先安裝tabula-py: pip install tabula-py
tabula-py依賴庫包括java、pandas、numpy，因此需保證運行環境中安裝了這些庫。

#-*- conding: utf-8 -*-

import tabula

df = tabula.read_pdf("E:\\test\\extract\\2017gq\\a53277ce525547088780c4b94accb7b5.pdf", encoding='gbk', pages='all')
print(df)
for indexs in df.index:
    # 遍歷打印企業名稱
    print(df.loc[indexs].values[1].strip())

執行以上代碼，成功打印出表格中的全部企業名稱，查看打印的 df 的結構，以下圖：

總結

以上三種方式中，最後一種方式完美的解決了個人從PDF表格中提取數據的需求，但願能拋磚引玉，你們在使用時選擇最適合本身的方法，若有介紹不當之處，望留言中指正，謝過。