Python替代Adobe从PDF提取数据

大家好，PDF文件是官方报告、发票和数据表的通用格式，然而从PDF文件中提取表格数据是一项挑战。尽管Adobe Acrobat等工具提供了解决方案，但它们并不总是易于获取或可自动化运行，而Python则是编程语言中的瑞士军刀。本文将探讨如何利用Python轻松实现PDF数据提取，而无需使用昂贵的软件。

1.使用PyMuPDF提取文本

PyMuPDF是一款轻量级的库，擅长读取PDF文件并提取文本。只需几行代码，就可以读取PDF并从任意页面提取文本。本文从奔驰集团2022年第四季度年度报告中提取“股东权益变动综合报表（Consolidated Statement of Changes in Equity）”，代码如下：

import?fitz??
import?pandas?as?pd
import?re

#?---?PDF处理?---
#?定义PDF文件的路径并打开文档
pdf_path?=?'..../Merc?2022Q4?Rep.pdf'
pdf_document?=?fitz.open(pdf_path)

#?选择要阅读的特定页面
page?=?pdf_document[200]

#?获取页面的尺寸
page_rect?=?page.rect
page_width,?page_height?=?page_rect.width,?page_rect.height

#?定义感兴趣区域的矩形（不包括脚注）
non_footnote_area_height?=?page_height?*?0.90
clip_rect?=?fitz.Rect(0,?0,?page_width,?non_footnote_area_height)

#?从定义的区域提取文本
page_text?=?page.get_text("text",?clip=clip_rect)
lines_page?=?page_text.strip().split('\n')

2.规整数据

提取的文本通常带有不需要的字符或格式，这就是预处理发挥作用的地方。Python的字符串处理功能使用户能够清洗和准备数据以转换为表格格式。

#?---?数据清洗?---
#?定义要搜索的字符串并查找其索引
search_string?=?'Balance?at?1?January?2021?(restated)?'
try:
????index?=?lines_page.index(search_string)
????data_lines?=?lines_page[index:]
except?ValueError:
????print(f"The?string?'{search_string}'?is?not?in?the?list.")
????data_lines?=?[]

#?如果不是数字或连字符，则合并连续字符串条目
def?combine_consecutive_strings(lines):
????combined?=?[]
????buffer?=?''
????
????for?line?in?lines:
????????if?isinstance(line,?str)?and?not?re.match(r'^[-\d,.]+$',?line.strip()):
????????????buffer?+=?'?'?+?line?if?buffer?else?line
????????else:
????????????if?buffer:
????????????????combined.append(buffer)
????????????????buffer?=?''
????????????combined.append(line.strip())
????
????if?buffer:
????????combined.append(buffer)
????
????return?combined

cleaned_data?=?combine_consecutive_strings(data_lines)

3.使用Pandas创建表格

一旦数据清洗完成，就可以使用pandas。这个功能强大的数据分析库可以将一系列数据点转换为DataFrame，即一个二维的、大小可变的、可能是异构的带有标记轴的表格数据结构。

#?---?创建DataFrame?---
#?根据列数将清洗后的数据分割成块
num_columns?=?6
data_chunks?=?[cleaned_data[i:i?+?num_columns]?for?i?in?range(0,?len(cleaned_data),?num_columns)]

#?定义DataFrame的表头
headers?=?[
????'Description',
????'Share?capital',
????'Capital?reserves',
????'Retained?earnings?(restated)',
????'Currency?translation?(restated)',
????'Equity?instruments?/?Debt?instruments'
]

#?使用数据块和表头创建DataFrame
financial_df?=?pd.DataFrame(data_chunks,?columns=headers)

#?Display?the?head?of?the?DataFrame?to?verify?its?structure
financial_df.head()

如下所示是从PDF文件中提取的表格结果：

综上，通过利用Python强大的库，可以自动化繁琐的PDF数据提取任务。这种方法不仅成本低，而且提供了Python开发者所喜爱的灵活性和强大功能。