pdf 是个异常坑爹的东西，有很多处理 pdf 的库，但是没有完美的。

一、pdfminer3k

pdfminer3k 是 pdfminer 的 python3 版本，主要用于读取 pdf 中的文本。

网上有很多 pdfminer3k 的代码示例，看过以后，只想吐槽一下，太复杂了，有违 python 的简洁。

from pdfminer.pdfparser import PDFParser, PDFDocumentfrom pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreterfrom pdfminer.converter import PDFPageAggregatorfrom pdfminer.layout import LAParams, LTTextBoxfrom pdfminer.pdfinterp import PDFTextExtractionNotAllowedpath = "test.pdf"# 用文件对象来创建一个pdf文档分析器praser = PDFParser(open(path, 'rb'))# 创建一个PDF文档doc = PDFDocument()# 连接分析器 与文档对象praser.set_document(doc)doc.set_parser(praser)# 提供初始化密码# 如果没有密码 就创建一个空的字符串doc.initialize()# 检测文档是否提供txt转换，不提供就忽略if not doc.is_extractable:    raise PDFTextExtractionNotAllowedelse:    # 创建PDf 资源管理器 来管理共享资源    rsrcmgr = PDFResourceManager()    # 创建一个PDF设备对象    laparams = LAParams()    device = PDFPageAggregator(rsrcmgr, laparams=laparams)    # 创建一个PDF解释器对象    interpreter = PDFPageInterpreter(rsrcmgr, device)    # 循环遍历列表，每次处理一个page的内容    for page in doc.get_pages():        interpreter.process_page(page)                                # 接受该页面的LTPage对象        layout = device.get_result()        # 这里layout是一个LTPage对象，里面存放着这个 page 解析出的各种对象        # 包括 LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等                                    for x in layout:            if isinstance(x, LTTextBox):                print(x.get_text().strip())

pdfminer 对于表格的处理非常的不友好，能提取出文字，但是没有格式：

pdf表格截图：

代码运行结果：

想把这个结果还原成表格可不容易，加的规则太多必然导致通用性的下降。

二、tabula-py

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，但是这工具是用 java 写的，依赖 java7/8。tabula-py 就是对它做了一层 python 的封装，所以也依赖 java7/8。

代码很简单：

import tabulapath = 'test.pdf'df = tabula.read_pdf(path, encoding='gbk', pages='all')for indexs in df.index:    print(df.loc[indexs].values)# tabula.convert_into(path, os.path.splitext(path)[0]+'.csv', pages='all')

虽然号称是专业处理 pdf 中的表格的，但实际效果也不咋地。还是 pdfminer 中使用的 pdf，运行结果如下：

这结果真的很尴尬啊，表头识别就错了，还有 pdf 中有两张表，我没发现怎么区分表。

三、pdfplumber

pdfplumber 是按页来处理 pdf 的，可以获得页面的所有文字，并且提供的单独的方法用于提取表格。

import pdfplumberpath = 'test.pdf'pdf = pdfplumber.open(path)for page in pdf.pages:    # 获取当前页面的全部文本信息，包括表格中的文字    # print(page.extract_text())                            for table in page.extract_tables():        # print(table)        for row in table:            print(row)        print('---------- 分割线 ----------')pdf.close()

得到的 table 是个 string 类型的二维数组，这里为了跟 tabula 比较，按行输出显示。

可以看到，跟 tabula 相比，首先是可以区分表格，其次，准确率也提高了很多，表头的识别完全正确。对于表格中有换行的，识别还不是很正确，但至少列的划分没问题，所以还是能处理的。

import pdfplumberimport repath = 'test1.pdf'pdf = pdfplumber.open(path)for page in pdf.pages:    print(page.extract_text())    for pdf_table in page.extract_tables():        table = []        cells = []        for row in pdf_table:            if not any(row):                # 如果一行全为空，则视为一条记录结束                if any(cells):                    table.append(cells)                    cells = []            elif all(row):                # 如果一行全不为空，则本条为新行，上一条结束                if any(cells):                    table.append(cells)                    cells = []                table.append(row)            else:                if len(cells) == 0:                    cells = row                else:                    for i in range(len(row)):                        if row[i] is not None:                            cells[i] = row[i] if cells[i] is None else cells[i] + row[i]        for row in table:            print([re.sub('\s+', '', cell) if cell is not None else None for cell in row])        print('---------- 分割线 ----------')pdf.close()

经过处理后，运行得到结果：