pdfplumber官方文档
https://github.com/hbh112233abc/pdfplumber
文档上对open方法的介绍
Loading a PDF
To start working with a PDF, call pdfplumber.open(x), where x can be a:
- path to your PDF file
- file object, loaded as bytes
- file-like object, loaded as bytes
从本地读取pdf文件
with pdfplumber.open("path/to/file.pdf") as pdf:
从网络流获取file like object类的方法
python提供了两个产生file like object的方法
- stringio
from io import StringIO
f = StringIO()
f.write('hello')
#或者
f = StringIO('Hello World')
- bytesio
from io import BytesIO
# 向内存中写入二进制数据
f = BytesIO()
f.write('中文'.encode('utf-8'))
print(f.getvalue())
#或者
f = BytesIO(b'\xe4\xb8\xad\xe6\x96\x87')
# 读取、并打印二进制数据
print(f.read())
open方法加载文件后返回一个 pdfplumber.PDF 实例.
对于有密码的pdf文件可以使用password参数
pdfplumber.open("file.pdf", password = "test")
pdfplumber.PDF类
pdfplumber.PDF 类代表一个PDF文件,主要有以下两个属性:
- metadata
元数据，摘自pdf创建信息 - pages
包含pdfplumber.Page(页实例)的列表。
pdfplumber.Page 类
pdfplumber.Page大部分操作都围绕此进行
主要属性
.page_number:页码
.width:页面宽度
.height:页面高度
.objects / .chars / .lines / .rects / .curves / .images:这些属性中的每一个都是一个列表，每个列表都为嵌入在页面上的每个此类对象包含一个字典。
提取文本
.extract_text
提取表格
.extract_tables(table_settings={}):从当前页面所有表格中提取表格，返回从页面上找到的所有表中提取的文本，表示为列表列表列表，其结构为“表->行->单元格”
.extract_table(table_settings={})：返回从页面上最大表中提取的文本，该表表示为列表列表，其结构为“行->单元格”。如果一样多那就提取最靠近页面顶部的表格
示例
pdf = pdfplumber.open("path/to/my.pdf")
page = pdf.pages[0]
page.extract_table()