很多文件為了安全都會(huì)存成PDF格式，比如有的論文、技術(shù)文檔、書籍等等，這給程序讀取這些文檔內(nèi)容帶來了很多麻煩。Python目前解析PDF的擴(kuò)展包有很多，本文將對(duì)比介紹PyPDF2、pdfplumber、pdfminer3k以及Camelot，告訴你哪個(gè)是好用的PDF解析工具。 碼字不易，喜歡請(qǐng)點(diǎn)贊！！！

本文使用的案例PDF文檔下載鏈接：
鏈接：https://pan.baidu.com/s/1zH7vY47AqBYKM0XbdABbUA
提取碼：xhem

另外，獲取PDF文檔之后，會(huì)發(fā)現(xiàn)PDF文檔中的換行符是以行的位置相同的，而不是跟段落相同。

1.PyPDF2解析PDF文檔

這里主要參考了2019-03-07，Usman Malik寫的一篇文章：Python for NLP: Working with Text and PDF Files
使用Python或者Anaconda安裝PyPDF2擴(kuò)展包：

            
              pip install PyPDF2

OR

conda install -c conda-forge pypdf2

            
          

讀取PDF文件

            
              import PyPDF2
path = r"****.pdf"
#使用open的‘rb’方法打開pdf文件（這里必須得使用二進(jìn)制rb的讀取方式）
mypdf = open(path,mode='rb')
#調(diào)用PdfFileReader函數(shù)
pdf_document = PyPDF2.PdfFileReader(mypdf)
#使用pdf_document變量，獲取各個(gè)信息
#或者PDF文檔的頁數(shù)
pdf_document.numPages  
#輸出PDF文檔的第一頁內(nèi)容
first_page = pdf_document.getPage(0)
print(first_page.extractText()) 

            
          

輸出文檔第一頁內(nèi)容之后會(huì)發(fā)現(xiàn)，PyPDF2方法對(duì)中文的支持不好，而對(duì)英文的支持會(huì)很好，所以如果處理中文文檔的話，可以使用下面這個(gè)方法。

2.pdfplumber解析PDF文檔

安裝的話直接使用下面語句即可：

            
              pip install pdfplumber

            
          

（1）解析文本內(nèi)容
pdfplumber中的extract_text函數(shù)是可以直接識(shí)別PDF中的文本內(nèi)容。
首先讀取整個(gè)PDF文檔文本內(nèi)容

            
              import pdfplumber
import pandas as pd
with pdfplumber.open(path) as pdf: 
    content = ''
    #len(pdf.pages)為PDF文檔頁數(shù)
    for i in range(len(pdf.pages)):
    	#pdf.pages[i] 是讀取PDF文檔第i+1頁
        page = pdf.pages[i] 
        #page.extract_text()函數(shù)即讀取文本內(nèi)容，下面這步是去掉文檔最下面的頁碼
        page_content = '\n'.join(page.extract_text().split('\n')[:-1])
        content = content + page_content
    print(content)

            
          

解析文本內(nèi)容，取出PDF的 售后解決方案 中的故障代碼內(nèi)容，可以看到故障代碼內(nèi)容，如下圖所示，故障代碼在兩頁里面。
根據(jù)這類文檔的規(guī)律可以知道，故障代碼內(nèi)容都是在文本 故障代碼列舉如下： 和 2. 之間，因此解析PDF之后取出這部分內(nèi)容還是比較容易的：

            
              print(content.split('故障代碼列舉如下：')[1].split('2.')[0])

            
          

運(yùn)行結(jié)果如下，可以看出來很好的取出來這部分內(nèi)容了。

（2）解析表格內(nèi)容
上面介紹了pdfplumber解析文本內(nèi)容的方法，這里介紹一下解析表格內(nèi)容的方法，和上面十分類似，pdfplumber中的extract_tables函數(shù)是可以直接識(shí)別PDF中的表格的。
這里展示解析PDF文檔中第一頁表格的方法，可以看出案例PDF中第一頁的開頭就是一個(gè)表格：
由于使用extract_tables函數(shù)得到的是Table一個(gè)嵌套的List類型，轉(zhuǎn)化成DataFrame會(huì)更方便查看和分析。

            
              import pdfplumber
import pandas as pd

with pdfplumber.open(path) as pdf:      
    first_page = pdf.pages[0] 
    for table in first_page.extract_tables(): 
        df = pd.DataFrame(table) 
        #第一列當(dāng)成表頭： df = pd.DataFrame(table[1:],columns=table[0]) 
df

            
          

可以看出這個(gè)函數(shù)非常容易的將PDF文檔中的表格提取出來了。

看完上面的可以知道pdfplumber擴(kuò)展包可以非常好的解析PDF的文本內(nèi)容和表格內(nèi)容，并且對(duì)中文有很好的支持，十分推薦使用該方法。

3.pdfminer3k解析PDF文檔

pdfminer3k 是 pdfminer 的 python3 版本，主要用于讀取 pdf 中的文本。如果直接搜索pdfminer3k的話會(huì)發(fā)現(xiàn)網(wǎng)上有非常多的教程，但是看了之后，你可能就想吐槽這些教程太繁瑣了，看著頭疼。
下面這個(gè)是pdfminer 解析PDF文檔的流向圖。

pdfminer 方法解析PDF可以很好的提取文本內(nèi)容，但是對(duì)于表格數(shù)據(jù)，能提取出文字，但是沒有格式，會(huì)很不友好。因此你如果只需要提取文本內(nèi)容的話，可以使用pdfminer 擴(kuò)展包，這個(gè)包也能很好的支持中文。

4.Camelot解析PDF文檔

安裝
Camelot先使用pip install camelot-py語句安裝，如果報(bào)錯(cuò)，參考安裝Camelot教程。
另外，使用camelot需要安裝cv2包，上面這個(gè)安裝教程中也有。

            
              import camelot
import pandas as pd
tables = camelot.read_pdf(filepath=path,pages='1',flavor='stream')
df = pd.DataFrame(tables[0].data)

            
          

Camelot讀取PDF文件中的表格數(shù)據(jù)很好用，并且能夠很好的支持中文，但是Camelot有很多局限性。
首先，使用stream時(shí)，表格無法被自動(dòng)偵測(cè)到，stream把整個(gè)頁面當(dāng)成一個(gè)table。
其次，camelot只用使用基于文本的PDF文件而不能使用掃描文檔。

綜上所述，建議使用pdfplumber擴(kuò)展包來解析PDF文檔的文本和表格，如果只解析文本內(nèi)容，也可以使用pdfminer ，而解析英文文檔內(nèi)容，可以使用PyPDF2。

參考文獻(xiàn)：
https://blog.csdn.net/Asher117/article/details/83627701