一、pdfminer3k

pdfminer3k 是 pdfminer 的 python3 版本，主要用於讀取 pdf 中的文本。

網上有很多 pdfminer3k 的代碼示例，看過以后，只想吐槽一下，太復雜了，有違 python 的簡潔。

from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTTextBox
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed

path = "test.pdf"

# 用文件對象來創建一個pdf文檔分析器
praser = PDFParser(open(path, 'rb'))
# 創建一個PDF文檔
doc = PDFDocument()
# 連接分析器 與文檔對象
praser.set_document(doc)
doc.set_parser(praser)

# 提供初始化密碼
# 如果沒有密碼 就創建一個空的字符串
doc.initialize()

# 檢測文檔是否提供txt轉換，不提供就忽略
if not doc.is_extractable:
    raise PDFTextExtractionNotAllowed
else:
    # 創建PDf 資源管理器 來管理共享資源
    rsrcmgr = PDFResourceManager()
    # 創建一個PDF設備對象
    laparams = LAParams()
    device = PDFPageAggregator(rsrcmgr, laparams=laparams)
    # 創建一個PDF解釋器對象
    interpreter = PDFPageInterpreter(rsrcmgr, device)

    # 循環遍歷列表，每次處理一個page的內容
    for page in doc.get_pages():
        interpreter.process_page(page)                        
        # 接受該頁面的LTPage對象
        layout = device.get_result()
        # 這里layout是一個LTPage對象，里面存放着這個 page 解析出的各種對象
        # 包括 LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等                            
        for x in layout:
            if isinstance(x, LTTextBox):
                print(x.get_text().strip())

pdfminer 對於表格的處理非常的不友好，能提取出文字，但是沒有格式：

pdf表格截圖：

代碼運行結果：

想把這個結果還原成表格可不容易，加的規則太多必然導致通用性的下降。

二、tabula-py

tabula 是專門用來提取PDF表格數據的，同時支持PDF導出為CSV、Excel格式，但是這工具是用 java 寫的，依賴 java7/8。tabula-py 就是對它做了一層 python 的封裝，所以也依賴 java7/8。

代碼很簡單：

import tabula

path = 'test.pdf'

df = tabula.read_pdf(path, encoding='gbk', pages='all')
for indexs in df.index:
    print(df.loc[indexs].values)

# tabula.convert_into(path, os.path.splitext(path)[0]+'.csv', pages='all')

雖然號稱是專業處理 pdf 中的表格的，但實際效果也不咋地。還是 pdfminer 中使用的 pdf，運行結果如下：

這結果真的很尷尬啊，表頭識別就錯了，還有 pdf 中有兩張表，我沒發現怎么區分表。

三、pdfplumber

pdfplumber 是按頁來處理 pdf 的，可以獲得頁面的所有文字，並且提供的單獨的方法用於提取表格。

import pdfplumber

path = 'test.pdf'
pdf = pdfplumber.open(path)

for page in pdf.pages:
    # 獲取當前頁面的全部文本信息，包括表格中的文字
    # print(page.extract_text())                        

    for table in page.extract_tables():
        # print(table)
        for row in table:
            print(row)
        print('---------- 分割線 ----------')

pdf.close()

得到的 table 是個 string 類型的二維數組，這里為了跟 tabula 比較，按行輸出顯示。

可以看到，跟 tabula 相比，首先是可以區分表格，其次，准確率也提高了很多，表頭的識別完全正確。對於表格中有換行的，識別還不是很正確，但至少列的划分沒問題，所以還是能處理的。

import pdfplumber
import re

path = 'test1.pdf'
pdf = pdfplumber.open(path)

for page in pdf.pages:
    print(page.extract_text())
    for pdf_table in page.extract_tables():
        table = []
        cells = []
        for row in pdf_table:
            if not any(row):
                # 如果一行全為空，則視為一條記錄結束
                if any(cells):
                    table.append(cells)
                    cells = []
            elif all(row):
                # 如果一行全不為空，則本條為新行，上一條結束
                if any(cells):
                    table.append(cells)
                    cells = []
                table.append(row)
            else:
                if len(cells) == 0:
                    cells = row
                else:
                    for i in range(len(row)):
                        if row[i] is not None:
                            cells[i] = row[i] if cells[i] is None else cells[i] + row[i]
        for row in table:
            print([re.sub('\s+', '', cell) if cell is not None else None for cell in row])
        print('---------- 分割線 ----------')

pdf.close()

經過處理后，運行得到結果：