利用pdfplumber提取pdf文档内容

介绍

pdf是一种便携式文档格式，由Adobe公司设计。因为不受平台限制，且方便保存和传输，所以pdf非常受欢迎。目前市场上有很多pdf工具，大部分是阅读类，也有支持对pdf的修改、转换等功能，但这部分工具不少是收费的。这里介绍一个开源python工具库-pdfplumber，可以方便地获取pdf的各种信息，包括文本、表格、图表、尺寸等。

pdfplumber安装以及导入

• 首先pdfplumber安装导入：和其他库一样，pdfplumber支持使用pip安装

pip install pdfplumber

• pdfplumber安装完成后，用import导入使用

import pdfplumber

• 利用.extract_tables( )可以输出pdf中的表格

pdfplumber简单使用

pdfplumber中有两个基础类，PDF和Page。前者用来处理整个文档，后者用来处理整个页面

• pdfplumber.PDF类：
  • .metadata: 获取pdf基础信息，返回字典
  • .pages 一个包含pdfplumber.Page实例的列表，每一个实例代表pdf每一页的信息。
• pdfplumber.Page类:pdfplumber核心功能，对PDF的大部分操作都是基于这个类，包括提取文本、表格、尺寸等