python提取pdf表格数据并保存到excel中

当前位置：点晴教程→知识管理交流 →『技术文档交流』

admin

2025年8月28日 1:51 本文热度 96

pdfplumber操作pdf文件

python开源库pdfplumber，可以较为方便地获取pdf的各种信息，包含pdf的基本信息（作者、创建时间、修改时间...）及表格、文本、图片等信息，基本可以满足较为简单的格式转换功能。

一、pdfplumber安装及导入

跟其他包一样，支持使用pip安装，安装命令：

pip install pdfplumber

安装成功后，可直接用import导入，导入命令：

import pdfplumber

二、pdfplumber基础使用

1、基础知识

（1）pdfplumber有2个基础类

PDF和Page，PDF用来处理整个文档，Page用来处理整个页面。

类	用法简介
pdfplumber.PDF类	.metadata，获取pdf基础信息，返回字典格式，包含作者、创建时间等
pdfplumber.PDF类	.pages，返回pdfplumber.Page实例的列表，每一个实例包含pdf每一页的信息
pdfplumber.Page	pdfplumber核心功能，对PDF的大部分操作都是基于这个类，包括提取文本、表格等

（2）pdfplumber读取pdf文件方式

pdfplumber.open(‘文件路径’)，返回pdfplumber.PDF类的实例。

如果pdf有密码，加入password参数：

pdfplumber.open(‘文件路径’,password=‘密码’)

2、获取pdf基础信息

读取pdf文件，并输出pdf文件的基础信息

import pdfplumber
# 打开pdf文件，有密码加入password参数pdf_info =pdfplumber.open(r'test.pdf')meta_data = pdf_info.metadata  # pdf的基础信息page_con = len(pdf_info.pages)  # 获取pdf的总页数print('pdf文件的基础信息：\n', meta_data)print('pdf共%s页' % page_con)

3、pdfplumber提取表格数据

提取表格数据主要用到extract_tables()和extract_table()两种方法，这两种提取方式各有不同。

用以下pdf文档，作为演示文档。

（1）extract_tables()方法

输出文档所有表格，返回一个嵌套列表，其结构层次为table-row-cell。如：

#extract_tables()用法with pdfplumber.open(r'test.pdf') as pdf_info:  # 打开pdf文件    page_one = pdf_info.pages[0]  # 选择第一页    page_one_table =page_one.extract_tables()  # 获取pdf文档第一页的所有表格数据    for row in page_one_table:       print('第一页的表格数据：', row)

（2）、extact_table()方法

不会返回文档的所有表格，仅返回行数最多的表格数据，如存在多个行数相等的表格，则默认输出顶部表格数据。返回的数据结构层次为row-cell，表格的每一行都为一个单独的列表，列表中的元素即为原表格的各个单元格的数据。如：

# extract_table()用法with pdfplumber.open(r'test.pdf') as pdf_info:  # 打开pdf文件    page_one = pdf_info.pages[0]  # 选择第一页    page_one_table = page_one.extract_table()    for row in page_one_table:        print(row)

三、提取pdf表格数据并保存到excel中

结合以上方法，综合使用：

提取pdf文件所有表格数据，并保存excel中，部分代码和效果如下：

（关注本公众号，回复【pdfexcel】即可获得完整代码，运行并输入文件路径，即可转换成excel）。

# 提取表格数据,并保存到excel中def get_table(self):    wb = Workbook()  # 实例化一个工作簿对象    ws = wb.active  # 获取第一个sheet    con = 0    try:        # 获取每一页的表格中的文字，返回table、row、cell格式：[[[row1],[row2]]]        for page in self.pdf_info.pages:            for table in page.extract_tables():                for row in table:                    # 对每个单元格的字符进行简单清洗处理                    row_list = [cell.replace('\n', ' ') if cell else '' for cell in row]                    ws.append(row_list)  # 写入数据            con += 1            print('---------------分割线,第%s页---------------' % con)    except Exception as e:        print('报错：', e)    finally:        wb.save('\\'.join(self.pdf_path.split('\\')[:-1]) + '\pdf_excel.xlsx')print('写入完成！')

以上就是pdfplumber基础知识和表格数据提取方法。

-end-

阅读原文：原文链接

该文章在 2025/8/28 15:44:01 编辑过

关键字查询

正在查询...

点晴ERP是一款针对中小制造业的专业生产管理软件系统,系统成熟度和易用性得到了国内大量中小企业的青睐。

点晴PMS码头管理系统主要针对港口码头集装箱与散货日常运作、调度、堆场、车队、财务费用、相关报表等业务管理，结合码头的业务特点，围绕调度、堆场作业而开发的。集技术的先进性、管理的有效性于一体，是物流码头及其他港口类企业的高效ERP管理信息系统。

点晴WMS仓储管理系统提供了货物产品管理,销售管理,采购管理,仓储管理,仓库管理,保质期管理,货位管理,库位管理,生产管理,WMS管理系统,标签打印,条形码,二维码管理,批号管理软件。

点晴免费OA是一款软件和通用服务都免费，不限功能、不限时间、不限用户的免费OA协同办公管理系统。