python提取pdf文件数据_爬虫爬取pdf文献数据

• 首先要安装这俩个库

pip install pdfplumber
pip install openpyxl
1
2

• 1.初始化路径

path = r"C:\Users\lenovo\Desktop\论文和面试\以客户为中心.pdf"
1

• 2.打开pdf文件

pdf_mt = pdfplumber.open(path)
pdf_mt
1
2

• 3.获取数据所在页（总共多少页）

# 获取到数据所在页  list --> [第一页的对象,第二页的对象,...第n页的对象]
all_pages = pdf_mt.pages
all_pages
1
2
3

• 4.获取pdf每一页文本数据(前四十页的文本数据）

for pdf_pg in all_pages[0:40]:
    print(pdf_pg.extract_text())
1
2

• 5.获取表格内容

for pdf_pg in all_pages[0:40]:
    print(pdf_pg.extract_tables())
1
2

• 6.将数据保存到excel

# 创建workbook对象
wb = Workbook()
# 激活工作表
ws = wb.active
1
2
3
4

for pdf_pg in need_pages:
    # print(pdf_pg)
    # 获取每页的文本内容
    # print(pdf_pg.extract_text())
    
    # 获取表格内容 表格：二维 [[],[]]
    # print(pdf_pg.extract_tables()) 
    # 表格有行有列的二维数据，获取二维的列表 
    
    for pdf_tb in pdf_pg.extract_tables():
        # print(pdf_tb) 
        # 将数据一行一行的写入工作表
        for row in pdf_tb:
            ws.append(row)
            
wb.save("demo3.xlsx")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16