用Python轻松转换PDF为CSV

数据的可访问性和可操作性是数据管理的核心要素。PDF格式因其跨平台兼容性和版面固定性，在文档分享和打印方面表现出色，尤其适用于报表、调查结果等数据的存储。然而，PDF的非结构化特性限制了其在数据分析领域的应用。相比之下，CSV格式以其简单、通用且易于处理的特点，成为数据操作和分析的理想选择。
将PDF转换为CSV极大地提升了数据的实用价值。Python作为一种强大的编程语言，能够高效完成这一转换任务。本文将介绍如何利用Python实现从PDF到CSV的转换。

本文所使用的方法需要用到Spire.PDF for Python，PyPI：pip install Spire.PDF。

将PDF表格数据转换为CSV文件

CSV作为一种结构化的通用表格文件，支持以简单的形式储存表格数据，但不支持复杂的格式设置以及复杂的表格信息。因此，我们在转换PDF文档为CSV文件时，通常只转换PDF文档中的表格为CSV文件。
库中提供了PdfTableExtractor类来处理PDF文档表格的提取操作，并且支持获取表格单个单元格的文本。利用这些类和方法，我们就可以实现从PDF表格到CSV文件的转换。
以下是操作步骤：

1. 导入所需模块。
2. 创建PdfDocument对象。
3. 用PdfDocument.LoadFromFile()方法载入PDF文档。
4. 创建PdfTableExtractor对象以处理表格提取操作。
5. 循环PDF文档中的页面：
   • 使用PdfTableExtractor.ExtractTable()方法提取当前页面的表格为一个集合。
   • 遍历集合中的表格：
     • 获取表格行数和列数。
     • 遍历行、列：
       • 使用Utilities_PdfTable.GetText()方法获取单元格数据。
       • 将数据储存为列表。
   • 使用csv模块将表格数据写入CSV文件。
6. 释放资源。

代码示例

from spire.pdf import PdfDocument, PdfTableExtractor
import csv

# 创建一个 PdfDocument 实例
pdf = PdfDocument()

# 加载 PDF 文档
pdf.LoadFromFile("示例.pdf")

# 创建一个 PdfTableExtractor 实例
extractor = PdfTableExtractor(pdf)

# 遍历 PDF 文档的每一页
for i in range(pdf.Pages.Count):
    # 提取当前页的表格
    tables = extractor.ExtractTable(i)
    # 遍历表格
    for j in range(len(tables)):
        table = tables[j]
        tableData = []
        # 获取行数和列数
        rowCount = table.GetRowCount()
        colCount = table.GetColumnCount()
        # 遍历行和列
        for row in range(rowCount):
            rowData = []
            for col in range(colCount):
                # 获取单元格的文本
                text = table.GetText(row, col)
                text = text.replace("\n", "").replace("\r", "")
                rowData.append(text)
            tableData.append(rowData)
        # 将表格数据保存到 CSV 文件
        with open(f"output/Tables/Table{i+1}_{j+1}.csv", "w", newline="", encoding="utf-8") as csvFile:
            writer = csv.writer(csvFile)
            writer.writerows(tableData)

# 释放资源
pdf.Dispose()

转换结果

本文演示了如何使用Spire.PDF for Python将PDF表格转换为CSV文件。

更多PDF文档处理技巧请前往Spire.PDF for Python教程查看。

申请免费License