Python中有多个用于解析PDF文本的库，如pdfplumber库、pdfminer库、Tabula库等。 pdfplumber库是目前使用最方便的库，它不仅能解析文字，还能方便地解析表格。

pip安装pdfplumber库

pip install pdfplumber
换国内源pip安装(推荐)
pip install pdfplumber -i [https://pypi.tuna.tsinghua.edu.cn/simple/](https://pypi.tuna.tsinghua.edu.cn/simple/)

提取PDF表格数据

提取pdf表格的代码

  1. import pdfplumber
  2. pdf_path = "Q1A(R2) Stability Testing of New Drug Substances and Products.pdf"
  3. pdf = pdfplumber.open(pdf_path)
  4. pages = pdf.pages
  5. k = 10     #指定页面，注意列表是从0开始
  6. page = pages[k-1]   #提取指定页面表格
  7. tables =page.extract_tables()  #提取当前页面表格
  8. table = tables[0]   #提取当前页面第1个表格
  9. print(table)
  10. pdf.close()  #关闭PDF文件

去掉单元格中的换行符

可以看到获得的表格内容中存在一些换行符\n，这是因为在原表格中这些字符之间是存在换行的。如果想把这些换行符去掉，可以利用replace()函数将换行符替换掉，代码如下：

  1. # 去掉表格单元中的换行符
  2. for i in range(len(table)):
  3.     for j in range(len(table[i])):
  4.         table[i][j] = table[i][j].replace('\n', '')  #替换换行符
  5.      #print(table)

table是一个嵌套列表结构，所以需要通过2层循环来定位到具体的文本内容。其中，table[i]表示子列表，table[i][j]表示子列表中的元素。然后通过replace()函数替换换行符，注意这里还需要将替换后的内容重新赋值给table[i][j]，才能真正完成替换。

将列表转为DataFrame

  1. import pandas as pd
  2. df = pd.DataFrame(table[1:],columns = table[0])   #将表格列表转成DataFrame显示
  3. print(df)

通过print()函数打印输出DataFrame时可能不会把所有的列都显示出来，如果想显示所有列，可在引用pandas库时添加如下代码：
pd.set_option('display.max_columns', None) #显示全部列

无表格报错处理

  1. try:
  3. except Exception as err:
  4.     print(err)
  5.     print("无表格")

连续提取所有表格

  1. for k in range(len(pages)):
  2.     page = pages[k]
  3.     print("page"+str(k)+"正在解析")

存为CSV

DataFrame存为csv

df.to_csv("stu_info.csv",mode = "a", encoding='utf-8', index=False)

全代码

  1. #pdf解析表格.py
  2. import pdfplumber
  3. import pandas as pd
  4. pd.set_option('display.max_columns', None)  #显示全部列
  6. pdf_path = "Q1A(R2) Stability Testing of New Drug Substances and Products.pdf"
  7. pdf = pdfplumber.open(pdf_path)
  8. pages = pdf.pages   #获取所有pdf页面，是一个列表
  10. for k in range(len(pages)):
  11.     page = pages[k]
  12.     print("page"+str(k)+"正在解析")
  14.     #k = 11     #指定页面，注意列表是从0开始
  15.     page = pages[k-1]   #提取指定页面表格
  17.     try:
  19.         tables =page.extract_tables()  #提取当前页面表格
  20.         #table = tables[0]   #提取当前页面第1个表格
  21.         for z in range(len(tables)):
  22.             table = tables[z] 
  24.             # 去掉表格单元中的换行符
  25.             for i in range(len(table)):
  26.                 for j in range(len(table[i])):
  27.                     table[i][j] = table[i][j].replace('\n', '')  #替换换行符
  28.             print(table)
  30.             df = pd.DataFrame(table[1:],columns = table[0])   #将表格列表转成DataFrame显示
  31.             print(df)
  32.             df.to_csv("tables_info.csv",mode = "a", encoding='utf-8', index=False)
  35.     except Exception as err:
  36.         print(err)
  37.         print("无表格")
  38. pdf.close()  #关闭PDF文件

将部分代码封闭成函数，使代码简洁些：

优化后的全代码：

  1. #pdf解析.py
  2. import pdfplumber
  3. import pandas as pd
  4. import os
  5. import xlwings as xw
  7. pd.set_option("display.max_columns", None)  #显示全部列
  8. pdf_path = "Q1A(R2) Stability Testing of New Drug Substances and Products.pdf"
  9. pdf = pdfplumber.open(pdf_path)
  11. def read_page(page):
  12.     tables =page.extract_tables()  #提取当前页面表格
  13.     #print(tables)
  14.     for i in range(len(tables)):
  15.         table = tables[i]
  16.         #print(table)
  18.         # 去掉表格单元中的换行符
  19.         for i in range(len(table)):
  20.             for j in range(len(table[i])):
  21.                 table[i][j] = table[i][j].replace('\n', '')  #替换换行符
  22.         #print(table)
  23.         df = pd.DataFrame(table[1:],columns = table[0])   #将表格列表转成DataFrame显示 
  24.         print(df)
  25.         df.to_csv("stu_info.csv",mode = "a", encoding='utf-8', index=False
  26.         print(str(i)+"成功")
  27.         print("\n")
  28.     pdf.close()  #关闭PDF文件
  30. pages = pdf.pages
  31. #print(pages)
  32. for k in range(len(pages)):
  33.     page = pages[k]
  34.     print("page"+str(k)+"正在解析")
  35.     try:
  36.         read_page(page)
  37.     except Exception as err:
  38.         print(err)
  39.         print("无表格")