当涉及到PDF中的数据挖掘,PDFPlumber是您的得力助手

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 复制代码
pip install pdfplumber -q
python 复制代码
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 复制代码
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 复制代码
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 复制代码
text = page.extract_text()

print打印出变量text,将得到如下输出:

python 复制代码
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 复制代码
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 复制代码
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 复制代码
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))

参考

相关推荐
wt_cs15 分钟前
银行回单ocr api集成解析-图像文字识别-文字识别技术
开发语言·python
_WndProc37 分钟前
【Python】Flask网页
开发语言·python·flask
互联网搬砖老肖38 分钟前
Python 中如何使用 Conda 管理版本和创建 Django 项目
python·django·conda
测试者家园1 小时前
基于DeepSeek和crewAI构建测试用例脚本生成器
人工智能·python·测试用例·智能体·智能化测试·crewai
大模型真好玩1 小时前
准确率飙升!Graph RAG如何利用知识图谱提升RAG答案质量(四)——微软GraphRAG代码实战
人工智能·python·mcp
前端付豪1 小时前
11、打造自己的 CLI 工具:从命令行到桌面效率神器
后端·python
前端付豪1 小时前
12、用类写出更可控、更易扩展的爬虫框架🕷
后端·python
江太翁1 小时前
Pytorch torch
人工智能·pytorch·python
网安INF2 小时前
深度学习中的逻辑回归:从原理到Python实现
人工智能·python·深度学习·算法·逻辑回归
青苔猿猿2 小时前
(5)aconda之.condarc文件配置
python·镜像源·.condarc文件