如何使用pdfplumber将表详细信息提取到行和列中

Question

我正在使用pdfplumber从pdf中提取表格。但是，正在使用的表没有可见的垂直线分隔内容，因此提取的数据被分成3行和1列。

​

​

我想把上面的表格排成13行。

import pdfplumber
import pandas as pd
import numpy as np
with pdfplumber.open('test.pdf') as pdf:
    page = pdf.pages[0]
    tables = page.extract_tables()

print(tables)

从文档中，我不能理解是否有特定的表设置可以应用。我试了一些，但没有用。

Answer 1

使用extract_tables()选项时，请添加以下设置(可能需要根据您的输入文件进行更改)：

import pdfplumber
import pandas as pd
import numpy as np

with pdfplumber.open(r'document.pdf') as pdf:
    page = pdf.pages[0]    
    table = page.extract_table(table_settings={"vertical_strategy": "lines", 
                                               "horizontal_strategy": "text", 
                                               "snap_tolerance": 4,})
    
    df = pd.DataFrame(table, columns=table[0]).T

此外，请阅读pdfplumber文档(提取表)部分，因为有许多选项可以包含在基于输入文件的代码中：

https://github.com/jsvine/pdfplumber#extracting-tables

Answer 2

您可以使用pandas.DataFrame定制您的表格，而不是直接打印表格。

df = pd.DataFrame(tables[1:], columns=tables[0])
for column in df.columns.tolist():
    df[column] = df[column].str.replace(" ", "")

print(df)