文章目录
当涉及到处理PDF中的信息时,数据科学家们常常需要面临一项挑战。有些人可能会采用一种可怕的方法,即手动复制和粘贴所需的数据。这种方法不仅效率低下,而且对于长期工作来说是最慢和最低效的方式之一。此外,有些PDF文件可能不容易进行这种手动操作。
然而,有幸的是,有一种强大而简单的工具可以改善这个问题,那就是PDFPlumber,这是一个开源的Python包。它的出现使得从PDF中提取信息变得更加容易和高效。在下文中,我们将详细介绍如何使用PDFPlumber来处理PDF文件,以及示例PDF文件的用法。
通过使用PDFPlumber,数据科学家可以更轻松地解析PDF文件,提取所需的信息,从而提高工作效率并避免繁琐的手动操作。接下来将深入研究如何使用这个强大的工具。
在本教程中使用的工具是PDFPlumber,一个开源的python包,它很棒,简单而强大。使用的样例pdf如下:
安装并导入模块
shell
pip install pdfplumber -q
python
import pdfplumber
现在来看看PDF Plumber的主要功能:
open函数
此函数将打开作为参数传递目录的文件,假设上述样例的文件名为file.pdf
的变量,调用该函数后得到的返回结果命名为pdf
, 包含文件目录
python
pdf = pdfplumber.open('/content/file.pdf')
pages[]
打开文件后,想选择要提取要查找的信息的页面,假设想要的信息在第一页,索引将为0:
python
page = pdf.pages[0]
想象正在阅读一本书,第一步是打开这本书,然后寻找想阅读的页面,然后阅读它(即从中提取信息),Python的工作方式相同。
extract_text()
现在已经打开了一个页面,需要从中提取文本:
python
text = page.extract_text()
用print
打印出变量text
,将得到如下输出:
python
SIGMOIDAL
Relatório Diário
Data: 10/08/2020
RECEITA: R$ 1.397,00
DADOS ATUALIZADOS POR CARLOS MELO
Visitantes: 1367
A quantidade de visitantes diz respeito a visitantes únicos visitando qualquer
página do domínio ou subdomínio sigmoidal.ai. Compreende, então, cursos,
blogs e landing pages.
Inscritos: 33
É considerado aqui o número de leads gerados por meio de cadastro
voluntário nos formulários do cabeçalho, rodapé ou materiais ricos (como
eBook, infográficos, entre outros).
Assinantes: 6
Clientes assinantes da Escola de Data Science, considerando-se o plano
renovável de assinatura mensal.
print函数将'\n'识别为换行符,'\t'识别为制表符,因此文本已经被格式化过的。顺便说一句,这是用来写这篇文章的提取文本,直接调用text
的话,输出是不一样的:
python
SIGMOIDAL \n \nRelatório Diário \n \nData: 10/08/2020 \n \nRECEITA: R$ 1.397,00 \nDADOS ATUALIZADOS POR CARLOS MELO\n \n \n Visitantes: 1367 \nA quantidade de visitantes diz respeito a visitantes únicos visitando qualquer \npágina do domínio ou subdomínio sigmoidal.ai. Compreende, então, cursos, \nblogs e landing pages. \n Inscritos: 33 \nÉ considerado aqui o número de leads gerados por meio de cadastro \nvoluntário nos formulários do cabeçalho, rodapé ou materiais ricos (como \neBook, infográficos, entre outros). \n Assinantes: 6 \nClientes assinantes da Escola de Data Science, considerando-se o plano \nrenovável de assinatura mensal. \n \n \n
上述内容就是想要开始处理文本的最初的方式。现在假设想要提取这个文件中包含的利润值,即1397,00
,必须进一步的对这个输出进行处理,直到得到"1397.00"作为字符串,然后将其转换为浮点数。提取代码如下:
python
float(text.split("\n")[5].replace("\t", "").split("R$")[1])
#1397.00
如果有很多遵循相同文本模式的文件,就可以写一个"for循环",然后代码会遍历所有这些文件,并返回每个文件的利润值。
python
sum = 0
# making the function
for reports in week_files:
report = pdfplumber.open(reports)
page = report.pages[0]
text = page.extract_text() # extracting the text
value = text.split("\n")[6].replace("\t", "").split("R$")[1]
value = float(value)
sum += value
print("{} ----> {}".format(reports, value))