python学习笔记之读取pdf文件库pdfplumber（一）
发布时间：2024-02-19 08:00
python现在处理word、Excel、pdf等文档有很多的库，今天学习一个处理pdf的库：pdfplumber，主要学习提取文本内容和表格。
安装
pip install pdfplumber提取文本 extract_text()
import pdfplumber
# 打开一PDF文档，比如打开《浪潮之巅》
pdf = pdfplumber.open(\'浪潮之巅.pdf\')
# 提取第一页的本文内容
text = pdf.pages[0].extract_text()
print(text)如下输出，左边是我们的代码输出，右边是PDF的第一页内容，提取的text整体是一个字符串；
![\"python学习笔记之读取pdf文件库pdfplumber（一）_第1张图片\"](\"https://img.it610.com/image/info8/c64600502b6041f292a64a5cd95d50e1.jpg\")
![\"python学习笔记之读取pdf文件库pdfplumber（一）_第2张图片\"](\"https://img.it610.com/image/info8/a2c20c654f1f4736a0e29bd4e0f1d4f3.jpg\")
提取文本 extract_words()
提取文本还提供了另一个方法
text = pdf.pages[0].extract_words()
print(text)其输出如下，提取出各部分的页面位置信息整体放在一个list中；
![\"python学习笔记之读取pdf文件库pdfplumber（一）_第3张图片\"](\"https://img.it610.com/image/info8/809cb2bca6864cadbf87636429d8304b.jpg\")
提取表格 extract_table() 和 extract_tables()
我们换另外一个有表格的PDF文档来尝试一下，文档第一页内容如下（文档若侵权，请联系删除）：
![\"python学习笔记之读取pdf文件库pdfplumber（一）_第4张图片\"](\"https://img.it610.com/image/info8/0318d617862c4742a4e745bb26c057e5.jpg\")
pdf_table = pdfplumber.open(\'M2021011300001742_1.pdf\')
print(pdf_table.pages[0].extract_table())结果发现只提取页面中的最后一个表格内容信息，输出如下：
![\"python学习笔记之读取pdf文件库pdfplumber（一）_第5张图片\"](\"https://img.it610.com/image/info8/4acd53b4ba5b42f2aedafaa40d297978.jpg\")
所以我们再试一试extract_tables()
![\"python学习笔记之读取pdf文件库pdfplumber（一）_第6张图片\"](\"https://img.it610.com/image/info8/e4ab92026c9747e9ae5bfe9418d9dabc.jpg\")
此时发现便可以把所有的表格信息都提取出来，这便是两个方法的区别。