Python使用Tabula提取PDF表格数据

今天遇到一个批量读取pdf文件中表格数据的需求，样式大体是以下这样：

python读取PDF无非就是三种方式（我所了解的），pdfminer、pdf2htmlEX 和 Tabula。综合考虑后，选择了最后一种。下面对三种方式分别介绍：

pdfminer

该方式从网上搜索的结果是，可以提取pdf文本数据，但是提取后表格信息就乱了。所以本人没有亲自实验，就果断放弃了实验该方法。如果只是提取pdf里面的文本内容，该方式可能是比较合适的。

pdf2htmlEX

该方式是通过把pdf格式转换成html格式，然后再提取信息的方法。

Github: https://github.com/coolwanglu/pdf2htmlEX

需先下载pdf2htmlEX可执行程序，下载地址：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)

执行以上代码，会在指定目录 E:\test\extract\2017gq\out 下生成对应html文件，浏览器中查看效果：

可以看到整体转换的效果非常不错，但是转换后的标签没有特点，使数据的提取变得非常困难。多番尝试后，感觉该方法不够通用，没法解决我的需求。也许对于单纯的pdf转html，该方式可能是最好的选择。

Tabula

Tabula是专门用来提取PDF表格数据的，同时支持PDF导出为CSV、Excel格式。

官网： http://tabula.technology/

Github: https://github.com/chezou/tabula-py

首先安装tabula-py: pip install tabula-py

tabula-py依赖库包括java、pandas、numpy，所以需保证运行环境中安装了这些库。

#-*- 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:
    # 遍历打印企业名称
    print(df.loc[indexs].values[1].strip())

执行以上代码，成功打印出表格中的所有企业名称，查看打印的 df 的结构，如下图：

总结

以上三种方式中，最后一种方式完美的解决了我的从PDF表格中提取数据的需求，希望能抛砖引玉，大家在使用时选择最适合自己的方法，如有介绍不当之处，望留言中指正，谢过。