pdf是一種便攜式文檔格式，由Adobe公司設計。因為不受平台限制，且方便保存和傳輸，所以pdf非常受歡迎。
目前市場上有很多pdf工具，大部分是閱讀類，也有支持對pdf的修改、轉換等功能，但這部分工具不少是收費的。但是如果要批量對pdf修改的話還是用代碼實現會比較好！
這次介紹一個開源python工具庫-pdfplumber，可以方便地獲取pdf的各種信息，包括文本、表格、圖表、尺寸等。
pdfplumber在github上有英文官方文檔，后面我們會撿重點講解，先看下如何用pdfplumber提取pdf表格？
以NBA 2020-2021 常規賽數據作為范例，pdf表格如下：
第一步：使用pdfplumber提取表格文本
# 導入pdfplumber import pdfplumber # 讀取pdf文件，保存為pdf實例 pdf = pdfplumber.open("E:\\nba.pdf") # 訪問第二頁 first_page = pdf.pages[1] # 自動讀取表格信息，返回列表 table = first_page.extract_table() table 輸出：
第二步：整理成dataframe格式，保存為excel
import pandas as pd # 將列表轉為df table_df = pd.DataFrame(table_2[1:],columns=table_2[0]) # 保存excel table_df.to_excel('test.xlsx') table_df 輸出：
一個小小的腳本，不到十行代碼，便將pdf表格提取並轉化為dataframe格式，最終保存到excel。
有個初步認知后，接下來詳細講講pdfplumber的安裝、導入、api接口等信息。
pdfplumber簡介
前面已經介紹過pdfplumber的用途，也用一個小案例展示了如何提取表格，我覺得對於pdfplumber只需要了解三點就可以。
1、它是一個純python第三方庫，適合python 3.x版本
2、它用來查看pdf各類信息，能有效提取文本、表格
3、它不支持修改或生成pdf，也不支持對pdf掃描件的處理
Github地址https://github.com/jsvine/pdfplumber
pdfplumber安裝和導入
同其他python庫一樣，pdfplumber支持使用pip安裝，在命令行輸入：
pip install pdfplumber
如果遇到安裝慢的問題，可以替換鏡像源，會快很多。
pdfplumber安裝后，用import導入即可使用：
import pdfplumber .... pdfplumber簡單使用
pdfplumber中有兩個基礎類，PDF和Page。看字面意思能猜出，前者是處理整個文檔，后者是處理頁面。
「pdfplumber.PDF類」
「pdfplumber.Page類」
這是pdfplumber的核心功能，對pdf的大部分操作都是基於這個類，包括提取文本、表格、尺寸等。
這里暫不一一列舉它的屬性和方法。
通過一個簡單的案例，就可以明白它們的作用。示例pdf文檔，共兩頁：
1.讀取pdf
# 導入pdfplumber import pdfplumber # 讀取pdf文件，返回pdfplumber.PDF類的實例 pdf = pdfplumber.open("e:\\nba2.pdf") 2.獲取該pdf文檔的信息
# 通過pdfplumber.PDF類的metadata屬性獲取pdf信息 pdf.metadata 輸出：
這些是pdf的基礎信息，包括作者、來源、日期等。
3.總頁數
# 通過pdfplumber.PDF類的metadata屬性獲取pdf頁數 len(pdf.pages) 4.讀取第一頁的頁寬、頁高等信息
# 第一頁pdfplumber.Page實例 first_page = pdf.pages[0] # 查看頁碼 print('頁碼：',first_page.page_number) # 查看頁寬 print('頁寬：'first_page.width) # 查看頁高 print('頁高：'first_page.height) 輸出：
5.讀取第一頁的文本
# 讀取文本 text = first_page.extract_text() print(text) 輸出：
6.讀取第二頁的表格
import pandas as pd # 第二頁pdfplumber.Page實例 first_page = pdf.pages[1] # 自動讀取表格信息，返回列表 table = first_page.extract_tables() # 將列表轉為df table_df = pd.DataFrame(table_2[1:],columns=table_2[0]) table_df 
pdfplumber提取表格有很多的細節需要處理，這里給到的范例表格線框比較規范，所以能很簡單的提取，但對於線框不完全（包含無線框）的表格，其效果就差了不少。
在實際項目所需處理的pdf文檔中，線框完全及不完全的表格都比較多，為了能夠理解pdfplumber實現表格抽取的原理和方法，我們需要去細究相關參數的設置。
正如案例所示，pdfplumber.Page對象的.extract_table()方法可以提取表格，返回從頁面上最大的表中提取的文本，以列表列表的形式顯示，結構為row -> cell。
「表格抽取參數設置」
默認情況下，extract_table使用頁面的垂直和水平線（或矩形邊緣）作為單元格分隔符。該方法可以通過table_settings參數進行高度自定義。可能的設置及其默認值：
{
"vertical_strategy": "lines", "horizontal_strategy": "lines", "explicit_vertical_lines": [], "explicit_horizontal_lines": [], "snap_tolerance": 3, "join_tolerance": 3, "edge_min_length": 3, "min_words_vertical": 3, "min_words_horizontal": 1, "keep_blank_chars": False, "text_tolerance": 3, "text_x_tolerance": None, "text_y_tolerance": None, "intersection_tolerance": 3, "intersection_x_tolerance": None, "intersection_y_tolerance": None, } 
pdfplumber支持對圖表進行可視化調試，能輸出圖像，顯示如何提取表。
pdfplumber的獨特之處
python中有很多庫可以處理pdf，比如PyPDF2、pdfminer等，那pdfplumber的優勢在哪呢？
首先，pdfplumber能輕松訪問有關PDF對象的所有詳細信息，且用於提取文本和表格的方法高級可定制，使用者可根據表格的具體形式來調整參數。
最關鍵的是pdfplumber作者持續在維護該庫，而同樣受歡迎的PyPDF2已經不再維護了。
源碼：https://pan.baidu.com/s/1COX_JUYeNxwvaMe4NFy6AA 提取碼: q3a7