Skip to main content
 首页 » 编程设计

python之使用 Python 3.4 提取 PDF 数据

2025年05月04日13bhlsheji

背景 我正在使用 Python 3.4、PyPDF2 和正则表达式从以下 PDF 第 1 页的表格中提取数据:

http://minerals.usgs.gov/minerals/pubs/commodity/gold/mcs-2015-gold.pdf .

import PyPDF2 
import re 
 
gold_pdf = r'C:\Users\xxxxx_x\xxxxxxx\mcs_gold_2015.pdf' 
pdfFileObj = open(gold_pdf,'rb') 
pdfReader = PyPDF2.PdfFileReader(pdfFileObj) 
 
pageObj = pdfReader.getPage(0) 
pageObj.extractText() 
 
start_pos = pageObj.extractText().index('United States\n:') 
end_pos = pageObj.extractText().index('Recycling\n:') 
 
table_text = pageObj.extractText()[start_pos:end_pos] 
 
print(table_text) 
print(re.findall(r'\d+[\d,]*\d', table_text))` 
 
*Results* - NOTE: Scroll Left & Right 
['2010', '2011', '2012', '2013', '2014', '231', '234', '235', '230', '211', '175', '220', '222', '223', '200', '198', '263', '215', '210', '200', '616', '550', '326', '315', '315', '383', '644', '695', '691', '430', '180', '168', '147', '160', '165', '8,140', '8,140', '8,140', '8,140', '8,140', '1,228',  '1,572', '1,673', '1,415', '1,270', '10,300', '11,100', '12,700', '12,958', '12,500'] 

问题: USGS Mineral Commodity Summary 中有更多 PDF 具有类似的结构,我试图用 PyPDF2 抓取,但它不起作用。我已经与他们核实过,并且没有任何其他格式的数据可用。

例如,如果您在上面的示例中使用银色 PDF ( http://minerals.usgs.gov/minerals/pubs/commodity/silver/mcs-2015-silve.pdf ) 而不是金色 PDF,我将无法获得所需的结果。

NOTE: Scroll left & right 
*OUTPUT from PageObj.extracttext():* 
'SILVER\n \n\nDomestic Production and     Use\n:\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\nSalient Statistics\nŠUnited States\n:2010 2011 20122013 2014e\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n \n\n\n \n\n \n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\nRecycling\n:\n\nImport Sources (2010\nŒ13)\n:2\nTariff\n:\nDepletion Allowance\n:\n Government Stockpile\n:\nEvents, Trends, and Issues\n: \n\n\n\n\n\n\n\n\n\n\n\n\n\n\nFlorence C. Katrivanos\n [(703) 648\nŒ6782, fkatrivanos@usgs.gov]\n ' 

??? - 为什么 Silver PDF 的数据提取方式与 Gold PDF 不同

Python 3.4 使用什么 Python 库? 我找不到针对 Python 3.4 的 PDF 抓取的好的解决方案(请参阅以下帖子:Best tool for text extraction from PDF in Python 3.4)

非常感谢您的帮助!

请您参考如下方法:

我的建议是使用 poppler 中的 pdftotext适合这个。这在 Linux 和其他类 UNIX 系统上很常见,但也有适用于 MS-windows 的版本 available .

import subprocess as sp 
 
filename = 'C:\Users\xxxxx_x\xxxxxxx\mcs_gold_2015.pdf' 
btext = sp.check_output(['pdftotext', '-layout', filename]) 
text = btext.decode('utf-8') 

您链接到的两个文件都可以使用此方法进行转换。