在實際研究中，我們經常需要獲取大量數據，而這些數據很大一部分以pdf表格的形式呈現，如公司年報、發行上市公告等。面對如此多的數據表格，采用手工復制黏貼的方式顯然并不可取。那么如何才能高效提取出pdf文件中的表格數據呢？

這是小編準備的python爬蟲學習資料，關注，轉發，私信小編“01”即可免費獲取！

Python提供了許多可用于pdf表格識別的庫，如camelot、tabula、pdfplumber等。綜合來看，pdfplumber庫的性能較佳，能提取出完整、且相對規范的表格。因此，本推文也主要介紹pdfplumber庫在pdf表格提取中的作用。

作為一個強大的pdf文件解析工具，pdfplumber庫可迅速將pdf文檔轉換為易于處理的txt文檔，并輸出pdf文檔的字符、頁面、頁碼等信息，還可進行頁面可視化操作。使用pdfplumber庫前需先安裝，即在cmd命令行中輸入：

pip install pdfplumber

pdfplumber庫提供了兩種pdf表格提取函數，分別為.extract_tables( )及.extract_table( )，兩種函數提取結果存在差異。為進行演示，我們網站上下載了一份短期融資券主體信用評級報告，為pdf格式。任意選取某一表格，其界面如下：

接下來，我們簡要分析兩種提取模式下的結果差異。

(1).extract_tables( )

可輸出頁面中所有表格，并返回一個嵌套列表，其結構層次為table→row→cell。此時，頁面上的整個表格被放入一個大列表中，原表格中的各行組成該大列表中的各個子列表。若需輸出單個外層列表元素，得到的便是由原表格同一行元素構成的列表。例如，我們執行如下程序：

輸出結果：

(2).extract_table( )

返回多個獨立列表，其結構層次為row→cell。若頁面中存在多個行數相同的表格，則默認輸出頂部表格；否則，僅輸出行數最多的一個表格。此時，表格的每一行都作為一個單獨的列表，列表中每個元素即為原表格的各個單元格內容。若需輸出某個元素，得到的便是具體的數值或字符串。如下：

輸出結果：

在此基礎上，我們詳細介紹如何從pdf文件中提取表格數據。其中一種思路便是將提取出的列表視為一個字符串，結合Python的正則表達式re模塊進行字符串處理后，將其保存為以標準英文逗號分隔、可被Excel識別的csv格式文件，即進行如下操作：

輸出結果：

盡管能獲得完整的表格數據，但這種方法相對不易理解，且在處理結構不規則的表格時容易出錯。由于通過pdfplumber庫提取出的表格數據為整齊的列表結構，且含有數字、字符串等數據類型。因此，我們可調用pandas庫下的DataFrame( )函數，將列表轉換為可直接輸出至Excel的DataFrame數據結構。DataFrame的基本構造函數如下：

DataFrame([data,index, columns])

三個參數data、index和columns分別代表創建對象、行索引和列索引。DataFrame類型可由二維ndarray對象、列表、字典、元組等創建。本推文中的data即指整個pdf表格，提取程序如下：

其中，table[1:]表示選定整個表格進行DataFrame對象創建，columns=table[0]表示將表格第一行元素作為列變量名，且不創建行索引。輸出Excel表格如下：

通過以上簡單程序，我們便提取出了完整的pdf表格。但需注意的是，面對不規則的表格數據提取，創建DataFrame對象的方法依然可能出錯，在實際操作中還需進行核對。

總結

以上是生活随笔為你收集整理的ajax从mysql提取数据在html中_Python骚操作，提取pdf文件中的表格数据！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。