许多财务和会计文件，如财务报表、预算报告和交易清单等，广泛以 pdf 格式存储。这些 文件通常包含大量有价值的表格数据。通过提取这些表格数据，我们能够便捷地对其进行统计分析，并生成详尽的报告。这篇文章将介绍如何使用 spire.pdf for python 和 spire.xls for python 提取 pdf 文档中的表格数据。
安装 spire.pdf for python 和 spire.xls for python
本教程需要用到 spire.pdf for python 和 spire.xls for python。spire.pdf for python 用于从 pdf 表格中提取数据，spire.xls for python 用于将提取的表格数据写入到 excel 表格。
您可以通过以下 pip 命令将它轻松安装到 windows 中：
pip install spire.pdf
pip install spire.xls如果您不清楚如何安装，请参考：
python 提取 pdf 表格数据并保存到文本文件
spire.pdf for python 提供了 pdftableextractor.extracttable(pageindex) 方法，支持从 pdf 文档页面中获取表格。获取后，遍历表格中的行和列并使用 pdftable.gettext(rowindex, columnindex) 方法即可获取每个表格单元格中的文本。具体步骤如下:
- 创建 pdfdocument 类的实例。
- 使用 pdfdocument.loadfromfile() 方法加载 pdf 文档。
- 遍历 pdf 文档中的页面。
- 使用 pdftableextractor.extracttable() 方法获取页面中的表格。
- 遍历提取的表格。
- 使用 pdftable.gettext() 方法获取表格单元格中的文本并保存到列表中。
- 将列表的内容写入 .txt 文件。
- python
from spire.pdf.common import *
from spire.pdf import *
# 创建pdfdocument对象
doc = pdfdocument()
# 加载pdf文件
doc.loadfromfile("示例.pdf")
# 创建用于存储表格数据的列表
builder = []
# 创建pdftableextractor对象
extractor = pdftableextractor(doc)
# 遍历pdf文件中的页面
for pageindex in range(doc.pages.count):
# 从当前页面中提取表格
tablelist = extractor.extracttable(pageindex)
# 遍历表格
if tablelist is not none and len(tablelist) > 0:
for table in tablelist:
# 获取当前表格的行数和列数
row = table.getrowcount()
column = table.getcolumncount()
# 遍历表格的行和列
for i in range(row):
for j in range(column):
# 获取当前单元格中的文本
text = table.gettext(i, j)
# 将文本添加到列表
builder.append(text " ")
builder.append("\n")
builder.append("\n")
# 将列表的内容保存到文本文件中
with open("表格.txt", "w", encoding="utf-8") as file:
file.write("".join(builder))
python 提取 pdf 表格数据并保存到 excel 表格
获取表格单元格的文本后，你可以使用 spire.xls for python 提供的 worksheet.range[rowindex, columnindex].value 属性将其写入 excel 工作表。具体步骤如下:
- 创建 pdfdocument 类的实例。
- 使用 pdfdocument.loadfromfile() 方法加载示例 pdf 文档。
- 创建 workbook 类的实例并清除其中默认的工作表。
- 遍历 pdf 文档中的页面。
- 使用 pdftableextractor.extracttable() 方法提取页面中的表格。
- 遍历提取的表格。
- 对于每个表格，使用 workbook.worksheets.add() 方法向工作簿中添加一个工作表。
- 使用 pdftable.gettext() 方法获取表格单元格中的文本。
- 使用 worksheet.range[rowindex, columnindex].value 属性将文本写入工作表的特定单元格。
- 使用 workbook.savetofile() 方法将结果工作簿保存到 excel 文件。
- python
from spire.pdf import *
from spire.xls import *
# 创建pdfdocument对象
doc = pdfdocument()
# 加载pdf文件
doc.loadfromfile("示例.pdf")
# 创建workbook对象
workbook = workbook()
# 清除默认工作表
workbook.worksheets.clear()
# 创建pdftableextractor对象
extractor = pdftableextractor(doc)
sheetnumber = 1
# 遍历pdf文件中的页面
for pageindex in range(doc.pages.count):
# 从当前页面提取表格
tablelist = extractor.extracttable(pageindex)
# 遍历表格
if tablelist is not none and len(tablelist) > 0:
for table in tablelist:
# 为当前表格添加一个工作表
sheet = workbook.worksheets.add(f"sheet{sheetnumber}")
# 获取表格的行数和列数
row = table.getrowcount()
column = table.getcolumncount()
# 遍历表格的行和列
for i in range(row):
for j in range(column):
# 获取当前单元格中的文本
text = table.gettext(i, j)
# 将文本写入工作表的指定单元格
sheet.range[i 1, j 1].value = text
sheetnumber = 1
# 将工作簿保存为excel文件
workbook.savetofile("表格.xlsx", 
申请临时 license
如果您希望删除结果文档中的评估消息，或者摆脱功能限制，请该email地址已收到反垃圾邮件插件保护。要显示它您需要在浏览器中启用javascript。获取有效期 30 天的临时许可证。
