一、簡介

PDF文件是官方報告、發票和數據表的通用語言，然而從PDF文件中提取表格數據可能是一項挑戰。盡管Adobe Acrobat等工具提供了解決方案，但它們并不總是易于獲取或可自動化運行，而Python則是編程語言中的瑞士軍刀。本文將探討如何利用Python輕松實現PDF數據提取，而無需使用昂貴的軟件。qwC28資訊網——每日最新資訊28at.com

二、了解挑戰

PDF文件是為展示而設計的，而不是為提取數據。它們通常包含復雜的布局，在視覺上很吸引人，但在計算上卻無法訪問。因此，提取表格等結構化信息非常困難。qwC28資訊網——每日最新資訊28at.com

三、使用PyMuPDF提取文本

PyMuPDF是一款輕量級的庫，擅長讀取PDF文件并提取文本。只需幾行代碼，就可以讀取PDF并從任意頁面提取文本。本文從奔馳集團2022年第四季度年度報告中提取“股東權益變動綜合報表（Consolidated Statement of Changes in Equity）”，代碼如下。qwC28資訊網——每日最新資訊28at.com

import fitz  import pandas as pdimport re# --- PDF處理 ---# 定義PDF文件的路徑并打開文檔pdf_path = '..../Merc 2022Q4 Rep.pdf'pdf_document = fitz.open(pdf_path)# 選擇要閱讀的特定頁面page = pdf_document[200]# 獲取頁面的尺寸page_rect = page.rectpage_width, page_height = page_rect.width, page_rect.height# 定義感興趣區域的矩形（不包括腳注）non_footnote_area_height = page_height * 0.90clip_rect = fitz.Rect(0, 0, page_width, non_footnote_area_height)# 從定義的區域提取文本page_text = page.get_text("text", clip=clip_rect)lines_page = page_text.strip().split('/n')

四、規整數據

提取的文本通常帶有不需要的字符或格式。這就是預處理發揮作用的地方。Python的字符串處理功能使用戶能夠清洗和準備數據以轉換為表格格式。qwC28資訊網——每日最新資訊28at.com

# --- 數據清洗 ---# 定義要搜索的字符串并查找其索引search_string = 'Balance at 1 January 2021 (restated) 'try:    index = lines_page.index(search_string)    data_lines = lines_page[index:]except ValueError:    print(f"The string '{search_string}' is not in the list.")    data_lines = []# 如果不是數字或連字符，則合并連續字符串條目def combine_consecutive_strings(lines):    combined = []    buffer = ''        for line in lines:        if isinstance(line, str) and not re.match(r'^[-/d,.]+$', line.strip()):            buffer += ' ' + line if buffer else line        else:            if buffer:                combined.append(buffer)                buffer = ''            combined.append(line.strip())        if buffer:        combined.append(buffer)        return combinedcleaned_data = combine_consecutive_strings(data_lines)

五、使用Pandas創建表格

一旦數據清洗完成，就可以使用pandas了。這個功能強大的數據分析庫可以將一系列數據點轉換為DataFrame，即一個二維的、大小可變的、可能是異構的帶有標記軸的表格數據結構。qwC28資訊網——每日最新資訊28at.com

# --- 創建DataFrame ---# 根據列數將清洗后的數據分割成塊num_columns = 6data_chunks = [cleaned_data[i:i + num_columns] for i in range(0, len(cleaned_data), num_columns)]# 定義DataFrame的表頭headers = [    'Description',    'Share capital',    'Capital reserves',    'Retained earnings (restated)',    'Currency translation (restated)',    'Equity instruments / Debt instruments']# 使用數據塊和表頭創建DataFramefinancial_df = pd.DataFrame(data_chunks, columns=headers)# Display the head of the DataFrame to verify its structurefinancial_df.head()

如下所示是從PDF文件中提取的表格結果。qwC28資訊網——每日最新資訊28at.com

圖片qwC28資訊網——每日最新資訊28at.com

六、結語

通過利用Python強大的庫，可以自動化繁瑣的PDF數據提取任務。這種方法不僅成本低，而且提供了Python開發者所喜愛的靈活性和強大功能。qwC28資訊網——每日最新資訊28at.com

本文鏈接：http://www.www897cc.com/showinfo-26-34615-0.html用Python替代Adobe，零成本從PDF提取數據

聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com

上一篇： 秒殺系統 Go 并發編程實踐！

下一篇： 層次分析法--可以幫助你做決策的簡單算法