读取 PDF 内容

这篇文章会介绍使用 Python 的 pdfplumber 第三方函数库，读取 pdf 的内容，将内容输出储存为纯文字文件，或将表格内容输出为 CSV 档。

快速导览：

• 安装 pdfplumber 函数库
• 读取 pdf 内容
• 读取加密 pdf
• 读取 pdf 内容储存为纯文字文件
• 读取 pdf 表格储存为 CSV

本篇使用的 Python 版本为 3.7.12，所有范例可使用 Google Colab 实作，不用安装任何软件 ( 参考：使用 Google Colab )

安装 pdfplumber 函数库

输入下列指令安装 pdfplumber，根据个人环境使用 pip 或 pip3。

!pip install pdfplumber

读取 pdf 内容

使用 pdfplumber 打开指定路径中的 pdf 文件后，读取 pages 属性内容，就能将 pdf 所有页面回传为串列格式 ( 范例 pdf 共有三页 )。

下载：范例 pdf

import os
os.chdir('/content/drive/MyDrive/Colab Notebooks')  # Colab 換路徑使用

import pdfplumber
pdf = pdfplumber.open('oxxostudio.pdf')   # 開啟 pdf
print(pdf.pages)                          # [<Page:1>, <Page:2>, <Page:3>]，共有三頁

透过 pages 读取页面串列后，使用读取串列项目的方式打开指定页面，再借由 extract_text() 方法读取该页面的文字内容。

import os
os.chdir('/content/drive/MyDrive/Colab Notebooks')  # Colab 換路徑使用

import pdfplumber
pdf = pdfplumber.open('oxxostudio.pdf')
page = pdf.pages[0]           # 讀取第一頁
text = page.extract_text()    # 取出文字
print(text)

如果页面具有“表格”内容，使用 extract_table() 方法会将表格以“串列”方式表现 ( 范例 pdf 第二页为表格 )。

import os
os.chdir('/content/drive/MyDrive/Colab Notebooks')  # Colab 換路徑使用

import pdfplumber
pdf = pdfplumber.open('oxxostudio.pdf')
page = pdf.pages[1]           # 讀取第二頁
table = page.extract_table()  # 取出表格
print(table)
pdf.close()

读取加密 pdf

如果是加密的 pdf，可以在 open 时设定 password 参数，输入密码后就能打开 pdf。

import os
os.chdir('/content/drive/MyDrive/Colab Notebooks')  # Colab 換路徑使用

import pdfplumber
pdf = pdfplumber.open('test.pdf', password='12345678')   # 輸入密碼
page = pdf.pages[0]
text = page.extract_text()
print(text)
pdf.close()

读取 pdf 内容储存为纯文字文件

参考“内建函数 ( 文件读写 open )”文章，新增一个 test.txt 纯文字文件，就能将读取到的 pdf 写入纯文字文件中。

import os
os.chdir('/content/drive/MyDrive/Colab Notebooks')  # Colab 換路徑使用

import pdfplumber
pdf = pdfplumber.open('oxxostudio.pdf')
page = pdf.pages[0]
text = page.extract_text()
print(text)
pdf.close()

f = open('test.txt','w+')   # 使用 w+ 模式開啟 test.txt
f.write(text)               # 寫入內容
f.close()                   # 關閉 test.txt

读取 pdf 表格储存为 CSV

参考“CSV 文件操作”文章，新增一个 test-csv.csv 纯文字文件，搭配 for 循环，就能将读取到的 pdf 表格内容写入 CSV 文件中。

import pdfplumber
pdf = pdfplumber.open('oxxostudio.pdf')
page = pdf.pages[1]
table = page.extract_table()
print(table)
pdf.close()

import csv
csvfile = open('test-csv.csv', 'w+')  # 建立 CSV 檔案
write = csv.writer(csvfile)           # 建立寫入物件
for i in table:
    write.writerow(i)                 # 讀取表格每一列寫入 CSV
print('ok')

后记

本来想要使用 PyPDF2 读取 pdf 内容，但发现虽然可以读取 pdf，却无法正确解析内容文字，后来才选择 pdfplumber 作为 Python 读取 pdf 内容的首选。

参考：https://github.com/jsvine/pdfplumber

意见反馈