详解利用python提取pdf文本数字

之前也不乏介绍过关于excel的内容，日常工作应用，除了excel，pdf也是经常使用的一种，关于pdf的文本提取，下面也来详细介绍~

说明：从pdf文件中提取其他类型的数据，如文本或图像。将说明从pdf文件中提取数据表，然后将其转换为适合于进一步分析和构建模型的格式，以一个实例作为介绍。

使用Python从PDF文件中提取一个表格

1、将表复制到Excel并保存为table_1_raw.csv

数据以一维格式存储，必须进行重塑、清理和转换。

2、导入必要的库

import pandas as pd
import numpy as np

3、导入原始数据，重新定义数据

df=pd.read_csv("table_1_raw.csv", header=None)
df.values.shape
df2=pd.DataFrame(df.values.reshape(25,10))
column_names=df2[0:1].values[0]
df3=df2[1:]
df3.columns = df2[0:1].values[0]
df3.head()

4、使用字符串处理工具进行数据纠缠

我们从上面的表格中注意到，x5、x6和x7列是用百分比表示的，所以我们需要去掉percent(%)符号:

df4['x5']=list(map(lambda x: x[:-1], df4['x5'].values))
df4['x6']=list(map(lambda x: x[:-1], df4['x6'].values))
df4['x7']=list(map(lambda x: x[:-1], df4['x7'].values))

5、将数据转换为数字形式

我们注意到列x5、x6和x7的列值数据类型为string，因此我们需要将它们转换为数值数据，如下所示:

df4['x5']=[float(x) for x in df4['x5'].values]
df4['x6']=[float(x) for x in df4['x6'].values]
df4['x7']=[float(x) for x in df4['x7'].values]

6、查看转换数据的最终形式

df4.head(n=5)

7、最后导出最终数据到一个csv文件

df4.to_csv('table_1_final.csv',index=False)

从第一步开始内容就很不简单，大家边看边动手就很容易理解哦~如需了解更多python实用知识，点击进入起源地模板网教学中心。