python 读取PDF及其他操作

该篇不针对pdfplumber展开详细论述，请详见参考链接

安装

使用pdfplumber第三方库直接安装

pip install pdfplumber

简单实例

说明：该实例是在某文件夹下一千个pdf文件中找寻符合条件的pdf

import os
import pdfplumber
filepath = r'C:\Users\用户\Desktop\qiandao'    #从压缩包解压出的文件夹
for dirpath in os.listdir(filepath):   #遍历该文件夹下一千个pdf文件
    with pdfplumber.open('C:\\Users\\用户\\Desktop\\qiandao\\'+dirpath) as pdf:   #每次循环打开一个pdf
        firs = pdf.pages[0]    #打开第一页（因每个pdf都是证书，只有一页）
        text = firs.extract_text() #读取第一页内容
        if '张三' in text :   #输入需要查找的人名
            print(dirpath)   #输出包含该人名的文件名

读取PDF

pdfplumber提供了两种读取pdf的方式：

• pdfplumber.open(".pdf")
• pdfplumber.load(file_like_object)

这两种方法都返回pdfplumber.PDF类的实例(instance)。
加载带密码的pdf需要传入参数password，例如：pdfplumber.open("file.pdf", password = "test")

一些常用的方法

.extract_text() 用来提页面中的文本，将页面的所有字符对象整理为的那个字符串
.extract_words() 返回的是所有的单词及其相关信息
.extract_tables() 提取页面的表格
.to_image() 用于可视化调试时，返回PageImage类的一个实例

实例

import pdfplumber
import pandas as pd

with pdfplumber.open("表格.pdf") as pdf:
    page = pdf.pages[0]   # 第一页的信息
    table = page.extract_tables()
    for t in table:
        # 得到的table是嵌套list类型，转化成DataFrame
​        df = pd.DataFrame(t[1:], columns=t[0])
​        print(df)

参考链接：https://blog.csdn.net/weixin_48629601/article/details/107224376