Python 读取dpf表格的内容

主要是读取一些api接口的文档数据。

下面介绍一下几种情况

1、表格的起始位置并非在每页的首行或者最后一行

 

 

 

 我们只需要红框中的数据

import pdfplumber
import pandas as pd
import numpy as np

#%% 申请司南
# 创建仅有表头的 dataframe 数组
pdf_df = pd.DataFrame(columns=['字段', '类型', '描述'])
 
# 获取 pdf 文件对象
pdf_mt = pdfplumber.open("xxx.pdf")
 
# 因为我需要获取的资产负债表在 51-53页 但是索引从0开始 所以切片取 50-52即可

for i in range(2,7):
    print(i)
    if i==2:
        pdf_pg =[pdf_mt.pages[i].extract_tables()[-1][7:]]
    elif i==7:
        pdf_pg = [pdf_mt.pages[i].extract_tables()[0]]
    else:
        pdf_pg = pdf_mt.pages[i].extract_tables()  
    pdf_df = pdf_df.append(pd.DataFrame(np.array(pdf_pg[0]),columns=['字段', '类型', '描述']))
pdf_df.to_excel('xxxx.xlsx')   

我的代码是在Spyder上面跑的，看着有些字段显示有点问题，但是导到Excel是没有问题的

 

 

2、表格中存在合并单元格的

 

 导入时数据变成这样

 

 

 下面这样处理

pdf_df = pd.DataFrame(columns=['变量名', '输出值', '原始值区间范围(金额区间单位：元)'])
 
# 获取 pdf 文件对象
pdf_mt = pdfplumber.open("xxx.pdf")
 
# 因为我需要获取的资产负债表在 51-53页 但是索引从0开始 所以切片取 50-52即可
l=[]
for i in range(29,60):
    print(i)
    if i==29:
        pdf_pg =[pdf_mt.pages[i].extract_tables()[-1][1:]]
    else:
        pdf_pg = pdf_mt.pages[i].extract_tables() 
    for i in pdf_pg[0]:
        if i[0]!=None:
            l.append(i[0])
        elif i[0]==None:
            i[0] = l[-1]
    pdf_df = pdf_df.append(pd.DataFrame(np.array(pdf_pg[0]),columns=['变量名', '输出值', '原始值区间范围(金额区间单位：元)']))
pdf_df.to_excel('xxx.xlsx')

 

 

 

 

就这样了。。。。。。。