在实际研究中，我们经常需要获取大量的数据，而这些数据很大一部分是以pdf表格的形式呈现的，比如公司年报、发行上市报表等。 面对这么多数据表，手动复制粘贴显然是不可取的。 那么我们如何高效地从pdf文件中提取表格数据呢？Python提供了很多可以用于pdf表格识别的库，比如camelot、tabula、pdfplumber等。 总的来说，pdfplumber库的性能还是不错的，可以提取完整的、相对规范的表格。 所以这篇推文也主要详细介绍了pdfplumber库在pdf表格提取中的作用。 pdfplumber库作为分析pdf文件的强大工具，可以快速将pdf文档转换成易于求解的txt文档，并输出pdf文档的字符、页数、页码等信息，还可以进行页面可视化操作。 在使用pdfplumber库之前，需要进行安装，即进入:pip install pdfplumberpdfplumber库提供了两个pdf表格提取功能，分别是。extract_tables()和。extract_table()，两个函数的提取结果是不一样的。 为了进行演示，我们从网站下载了一份pdf格式的短期融资券主体信用评级报告。 选择任意表格，其界面如下:Python操作，从pdf文件中提取表格数据！关于如何快速学习python，可以加一个小的python学习群:611+530+101。不管你是小白还是大牛，我都欢迎小编。每晚20:00会有直播供你参考python学习知识和路线方法。集团会不定期升级最新的教程和学习方法。大家都在学python，或者转行，或者大学生，也有人想在工作中提升自己的能力。 最后，祝所有程序员都能登上人生巅峰，让代码梦想有可能实现。接下来，我们简单分析一下两种提取模式的区别。 (1).extract_tables()可以输出页面中的所有表格，返回一个嵌套列表，结构层次为表→行→单元格。 此时，页面上的整个表被放入一个大列表中，原始表中的行组成大列表中的每个子列表。 如果您需要输出一个外部列表元素，您将得到一个由原始表的同一行中的元素组成的列表。 比如我们执行以下程序:Python操作，从pdf文件中提取表格数据！输出:Python操作，从pdf文件中提取表格数据！(2).extract_table()返回多个独立的列表，结构层次为row→cell。 如果页面中有多个行数相同的表格，默认输出最上面的表格；否则，将只输出行数最多的表。 此时，表格的每一行都被视为一个单独的列表，列表中的每个元素都是原始表格中每个单元格的内容。 如果你需要输出一个元素，你会得到一个特定的数值或者字符串。 如下:Python Sao操作，从pdf文件中提取表格数据！输出:Python操作，从pdf文件中提取表格数据！在此基础上，我们详细介绍了如何从pdf文件中提取表格数据。 一种思路是把提取出来的列表当作一个字符串，用Python的正则表达式re模块求解字符串，保存为标准英文逗号分隔的、Excel可识别的csv文件，即进行如下操作:Python操作，从pdf文件中提取表格数据！输出:Python操作，从pdf文件中提取表格数据！虽然可以得到完整的表格数据，但是这种方法相对来说比较难理解，在求解不规则表格时容易出错。 因为pdfplumber库提取的表格数据是整齐的列表结构，包含数字、字符串等数据类型。 所以我们可以调用熊猫库中的DataFrame()函数，将列表转换成可以直接输出到Excel的DataFrame数据结构。 DataFrame的基本构造函数如下:DataFrame的三个参数([data，index，columns]) data、index和columns分别代表创建对象、行索引和列索引。 数据帧类型可以由二维数组对象、列表、字典、元组等创建。 这条推文中的数据是指整个pdf表单，提取过程如下:Python操作，从pdf文件中提取表单数据！其中table[1:]表示选择整个表来创建DataFrame对象，columns=table[0]表示将表的第一行中的元素用作列变量名，不创建行索引。 Excel输出表格如下:Python操作，从pdf文件中提取表格数据！通过以上简单的程序，我们提取了一个完整的pdf表单。 但需要注意的是，面对不规则的表格数据抽取，创建DataFrame对象的方法仍有可能出错，需要在实际操作中进行检查。