python提取pdf表格并整理（10行Python代码批量实现pdf转txt）

在日常工作中，常常要把文档转格式，比如常见pdf转word，pdf转ppt等，如果数量少的话还好，可以直接去网上找网站解决，多了的话就比较麻烦了，因为很多网站都是限制一天只能转几个，再多就得冲vip。

那么用python脚本来说应该怎么办呢？办法非常简单，几行代码就可以搞定。

python有专门针对PDF，word，txt，ppt，excel 的包。

我们今天就试着把pdf分别转为这四种格式。

先来看怎么把pdf 转为txt，这里说一个前提，pdf是可以编辑的，如果是影印的可以先转为图片然后再文字识别。

首先你需要安装pdf的包，pdfplumber。

直接

pip install pdfplumber

然后，就可以提取了，首先来看怎么提取单页文字，随便找了一份文档：

#提取文字 import pdfplumber with pdfplumber.open(r'C:\Users\itcast\PycharmProjects\pythonProject1\办公自动化\folder\018-话题讨论-怎样用朋友圈建立信任 .pdf') as f: page = f.pages[2] textdata = page.extract_text() print(textdata)

这样的话就能提取了，效果还不错：

然后保存成txt，另外加上多页提取：

#多页提取文字 import pdfplumber with pdfplumber.open(r'C:\Users\itcast\PycharmProjects\pythonProject1\办公自动化\folder\018-话题讨论-怎样用朋友圈建立信任 .pdf') as f: for i in range(1,5): page = f.pages[i] textdata = page.extract_text() print(textdata) data = open(r'C:\Users\itcast\PycharmProjects\pythonProject1\办公自动化\folder\txt提取.text',"a",encoding='utf-8') data.write(textdata)

格式保存得还不错，也没有什么乱码的出现。

​依据这个原理可以，继续把pdf转成word，这里的pdf限制是只有文字格式，跟刚才的原理一样，是利用的extract_text()函数。

首先需要在终端安装docx这个包。

然后可以执行下面的代码：

下面展示的是单页提取，如果想展示多页提取，可以直接把pages改成[2-5]这种。

#多页提取文字 import pdfplumber with pdfplumber.open(r'C:\Users\itcast\PycharmProjects\pythonProject1\办公自动化\folder\018-话题讨论-怎样用朋友圈建立信任 .pdf') as f: for i in range(1,5): page = f.pages[i] textdata = page.extract_text() print(textdata) data = open(r'C:\Users\itcast\PycharmProjects\pythonProject1\办公自动化\folder\txt提取.text',"a",encoding='utf-8') data.write(textdata)

结果如下：有些符号没有提取出来，有些字体不统一，后期需要进行一个调整。

​

下面一个，就是pdf提取表格放在excel中。

这个来讲的话就比较实用，因为我们如果一个个复制的话真的比较麻烦，还不容易复制完全。这个脚本的限制也有，就是只能提取表格，pdf其他的文字则不能提取。我随意编了一些数据，提取了两页：

​

我刚试了下，如果直接用pdf复制出来，就是这样的效果：

​代码实现：

import pdfplumber from openpyxl import Workbook with pdfplumber.open(r'C:\Users\itcast\PycharmProjects\pythonProject1\办公自动化\folder\练习.pdf') as f: workbook = Workbook() #新建工作薄 sheet = workbook.active #激活工作表 for i in range(1,3): page = f.pages[i] table = page.extract_table() for row in table: print(row) sheet.append(row) workbook.save(r"C:\Users\itcast\PycharmProjects\pythonProject1\办公自动化\folder\excel.xlsx") i =1 print("第%d页pdf提取完成"%i)

关注我 @秋语棠，带你学好玩的python编程。