Python サンプル pdfplumber PDF の読み込みと Excel への書き込みの詳細な説明

この記事では、python に関する関連知識を提供します。主に、pdfplumber モジュールのインストール、PDF の読み込みなど、pdfplumber による PDF の読み取りと Excel への書き込みに関する関連問題を紹介します。実践的な操作方法など、皆様のお役に立てれば幸いです。

推奨学習: python ビデオ チュートリアル

1. Python 操作 PDF 13 の大規模ライブラリの比較

PDF ( Portable Document Format) は、オペレーティング システム間でのドキュメントの配布を容易にするポータブル ドキュメント形式です。 PDF ドキュメントは標準形式に従っているため、PDF ドキュメントを操作できるツールは数多くあり、Python も例外ではありません。

Python で動作する PDF モジュールの比較表は次のとおりです。

この記事では主に pdfplumberPDF コンテンツの抽出に焦点を当てます。テキスト (位置、フォント、色など) や形状 (長方形、直線、曲線) として機能し、テーブルを解析する機能も備えています。

2. pdfplumber モジュール

他のいくつかの Python ライブラリは、ユーザーが PDF から情報を抽出するのに役立ちます。大まかに言うと、pdfplumber は、次の機能を組み合わせることで他の PDF 処理ライブラリと区別されます。

• 各 PDF オブジェクトに関する詳細情報に簡単にアクセスできます
• 高レベルのカスタマイズ可能な用途に使用されます。テキストとテーブルを抽出するメソッド
• 緊密に統合されたビジュアル デバッグ
• クロップ ボックスによるオブジェクトのフィルタリングなど、その他の便利なユーティリティ機能

#1. インストール

cmd コンソール入力:

pip install pdfplumber

ガイド パッケージ:

import pdfplumber

ケース PDF スクリーンショット (2 ページは切り取られていません):

2. PDF の読み込み

PDF コードを読む:

pdfplumber.open("path/filename.pdf", パスワード = "test", laparams = { "line_overlap": 0.7 })

パラメータの解釈:

• password : パスワードで保護された PDF をロードするには、パスワード キーワード パラメータを渡してください
• laparams: 設定するにはレイアウト解析パラメータを pdfminer.six のレイアウト エンジンに渡し、laparams キーワード引数

ケース コード:

import pdfplumberwith pdfplumber.open("./1.pdf") as pdf:
    print(pdf)
    print(type(pdf))

出力結果:

<pdfplumber.pdf.pdf><class></class></pdfplumber.pdf.pdf>

3. pdfplumber .PDF クラス

pdfplumber.PDF クラスは単一の PDF を表し、2 つの主要なプロパティがあります:

PropertiesDescription##.metadata キー/値ペア #.pages##1. PDF ドキュメント情報 (.metadata

PDF からメタデータ	辞書を取得します情報。通常、「CreationDate」、「ModDate」、「Producer」などが含まれます。
pdfplumber.Page インスタンスを含むリストを返します。各インスタンスは PDF# の各ページの情報を表します。

) を読み取ります

:

import pdfplumberwith pdfplumber.open("./1.pdf") as pdf:
    print(pdf.metadata)

実行結果:

{'Author': 'wangwangyuqing', 'Comments': '', 'Company': '', 'CreationDate': "D:20220330113508+03'35'", 'Creator': 'WPS 文字', 'Keywords': '', 'ModDate': "D:20220330113508+03'35'", 'Producer': '', 'SourceModified': "D:20220330113508+03'35'", 'Subject': '', 'Title': '', 'Trapped': 'False'}

2. 総ページ数を出力

import pdfplumberwith pdfplumber.open("./1.pdf") as pdf:
    print(len(pdf.pages))

実行結果:

2

4. pdfplumber.Page class

pdfplumber.Page

このクラスは pdfplumber の中核です。ほとんどの操作はこのクラスを中心に展開します。このクラスには次の属性があります:

AttributesDescription.page_number.width.height.objects/.chars/.lines/.rects/.curves/.figures/.images#一般的に使用されるメソッドは次のとおりです:

最初のページは 1 から始まり、2 番目のページは 2 など、連続したページ番号。類推して。
ページの幅。
ページの高さ。
これらの各プロパティは、リストには、ページに埋め込まれた各オブジェクトの辞書が含まれています。詳細については、以下の「オブジェクト」を参照してください。

メソッド名

Description.extract_text() は、ページ内のテキストを抽出し、すべての文字を整理するために使用されます。ページ上のオブジェクトをその文字列に変換します #.extract_words()# すべての単語とその関連情報を返しますページのテーブルを抽出しますビジュアル デバッグに使用する場合は、PageImage クラスのインスタンスを返します。デフォルトでは、ページ オブジェクトは、再処理を避けるためにレイアウトとオブジェクト情報をキャッシュします。ただし、これらのキャッシュされたプロパティは、大きな PDF を解析するときに大量のメモリを必要とする可能性があります。このメソッドを使用すると、キャッシュをフラッシュしてメモリを解放できます。

.extract_tables()
.to_image()
.close()
<p><strong>1. 读取第一页宽度、高度等信息</strong></p> <pre class="brush:php;toolbar:false">import pdfplumberwith pdfplumber.open(&quot;./1.pdf&quot;) as pdf:     first_page = pdf.pages[0]  # pdfplumber.Page对象的第一页     # 查看页码     print('页码：', first_page.page_number)     # 查看页宽     print('页宽：', first_page.width)     # 查看页高     print('页高：', first_page.height)</pre> <p>运行结果：</p> <pre class="brush:php;toolbar:false">页码： 1页宽： 595.3页高： 841.9</pre> <p><strong>2. 读取文本第一页</strong></p> <pre class="brush:php;toolbar:false">import pdfplumberwith pdfplumber.open(&quot;./1.pdf&quot;) as pdf:     first_page = pdf.pages[0]  # pdfplumber.Page对象的第一页     text = first_page.extract_text()     print(text)</pre> <p>运行结果：</p> <pre class="brush:php;toolbar:false">店铺名 价格 销量 地址 小罐茶旗舰店 449 474 安徽 零趣食品旗舰店 6.9 60000 福建 天猫超市 1304 3961 上海 天猫超市 139 25000 上海 天猫超市 930 692 上海 天猫超市 980 495 上海 天猫超市 139 100000 上海 三只松鼠旗舰店 288 25000 安徽 红小厨旗舰店 698 1767 北京 三只松鼠旗舰店 690 15000 安徽 一统领鲜旗舰店 1098 1580 上海 新大猩食品专营9.8 7000 湖南.......舰店 蟹纳旗舰店 498 1905 上海 三只松鼠坚果at茶 188 35000 安徽 嘉禹沪晓旗舰店 598 1517 上海</pre> <p><strong>3. 读取表格第一页</strong></p> <pre class="brush:php;toolbar:false">import pdfplumberimport xlwtwith pdfplumber.open(&quot;1.pdf&quot;) as pdf:     page_one = pdf.pages[0]  # PDF第一页     table_1 = page_one.extract_table()  # 读取表格数据     # 1. 创建Excel表对象     workbook = xlwt.Workbook(encoding='utf8')     # 2. 新建sheet表     worksheet = workbook.add_sheet('Sheet1')     # 3. 自定义列名     col1 = table_1[0]     # print(col1)# ['店铺名', '价格', '销量', '地址']     # 4. 将列属性元组col写进sheet表单中第一行     for i in range(0, len(col1)):         worksheet.write(0, i, col1[i])     # 5. 将数据写进sheet表单中     for i in range(0, len(table_1[1:])):         data = table_1[1:][i]         for j in range(0, len(col1)):             worksheet.write(i + 1, j, data[j])     # 6. 保存文件分两种格式     workbook.save('test.xls')</pre> <p>运行结果：<br><br><img src="https://img.php.cn/upload/article/000/000/067/f7d6a4b0467bb6fa76b6dd3a885230ec-5.png" alt="Python サンプル pdfplumber PDF の読み込みと Excel への書き込みの詳細な説明"></p> <h2>三、实战操作</h2> <h2>1. 提取单个PDF全部页数</h2> <p>测试代码：</p> <pre class="brush:php;toolbar:false">import pdfplumberimport xlwtwith pdfplumber.open(&quot;1.pdf&quot;) as pdf:     # 1. 把所有页的数据存在一个临时列表中     item = []     for page in pdf.pages:         text = page.extract_table()         for i in text:             item.append(i)     # 2. 创建Excel表对象     workbook = xlwt.Workbook(encoding='utf8')     # 3. 新建sheet表     worksheet = workbook.add_sheet('Sheet1')     # 4. 自定义列名     col1 = item[0]     # print(col1)# ['店铺名', '价格', '销量', '地址']     # 5. 将列属性元组col写进sheet表单中第一行     for i in range(0, len(col1)):         worksheet.write(0, i, col1[i])     # 6. 将数据写进sheet表单中     for i in range(0, len(item[1:])):         data = item[1:][i]         for j in range(0, len(col1)):             worksheet.write(i + 1, j, data[j])     # 7. 保存文件分两种格式     workbook.save('test.xls')</pre> <p>运行结果（上面得没截全）：<br><br><img src="https://img.php.cn/upload/article/000/000/067/941942fb9bbaa5f3b17838085f419345-6.png" alt="Python サンプル pdfplumber PDF の読み込みと Excel への書き込みの詳細な説明"></p> <h2>2. 批量提取多个PDF文件</h2> <p><img src="https://img.php.cn/upload/article/000/000/067/941942fb9bbaa5f3b17838085f419345-7.png" alt="Python サンプル pdfplumber PDF の読み込みと Excel への書き込みの詳細な説明"></p> <p>测试代码：</p> <pre class="brush:php;toolbar:false">import pdfplumber import xlwt import os # 一、获取文件下所有pdf文件路径 file_dir = r'E:\Python学习\pdf文件' file_list = [] for files in os.walk(file_dir):     # print(files)     # ('E:\\Python学习\\pdf文件', [],     #  ['1.pdf', '1的副本.pdf', '1的副本10.pdf', '1的副本11.pdf', '1的副本2.pdf', '1的副本3.pdf', '1的副本4.pdf', '1的副本5.pdf', '1的副本6.pdf',     #   '1的副本7.pdf', '1的副本8.pdf', '1的副本9.pdf'])     for file in files[2]:         # 以. 进行分割如果后缀为PDF或pdf就拼接地址存入file_list         if file.split(&quot;.&quot;)[1] == 'pdf' or file.split(&quot;.&quot;)[1] == 'PDF':             file_list.append(file_dir + '\\' + file) # 二、存入Excel # 1. 把所有PDF文件的所有页的数据存在一个临时列表中 item = [] for file_path in file_list:     with pdfplumber.open(file_path) as pdf:         for page in pdf.pages:             text = page.extract_table()             for i in text:                 item.append(i) # 2. 创建Excel表对象 workbook = xlwt.Workbook(encoding='utf8') # 3. 新建sheet表 worksheet = workbook.add_sheet('Sheet1') # 4. 自定义列名 col1 = item[0] # print(col1)# ['店铺名', '价格', '销量', '地址'] # 5. 将列属性元组col写进sheet表单中第一行 for i in range(0, len(col1)):     worksheet.write(0, i, col1[i]) # 6. 将数据写进sheet表单中 for i in range(0, len(item[1:])):     data = item[1:][i]     for j in range(0, len(col1)):         worksheet.write(i + 1, j, data[j]) # 7. 保存文件分两种格式 workbook.save('test.xls')</pre> <p>运行结果（12个文件，一个文件50行总共600行）：<br><br><img src="https://img.php.cn/upload/article/000/000/067/941942fb9bbaa5f3b17838085f419345-8.png" alt="Python サンプル pdfplumber PDF の読み込みと Excel への書き込みの詳細な説明"></p> <p>推荐学习：<a href="https://www.php.cn/course/list/30.html" target="_blank">python视频教程</a></p>

以上がPython サンプル pdfplumber PDF の読み込みと Excel への書き込みの詳細な説明の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。