Python PDF 抓取

如何解决Python PDF 抓取

任务：

PDF 是银行对帐单，包含列，即（日期、描述、存款、取款、余额）解析列及其各自的字段并以 CSV 格式导出该数据。PDF。

我的代码：

import pdftotext
import re
import csv

# open PDF file
with open('test.pdf','rb') as pdf_file:
pdf = pdftotext.PDF(pdf_file)

# extract tabular text
lines = pdf[2].split('\n')[4:]
# CSV table
table = []

# loop over lines in table
for line in lines:
# replace trailing spaces with comas
row = re.sub('   ',',line)

# reducing the number of comas to one
row = [cols.strip() for cols in re.sub(',+',row).split(',')]

# handling missed separators
row = ','.join(row).replace('  ',').split(',')

# append row to table
table.append(row)

print(table)

# write CSV output
with open('test.csv','w') as csv_file:
writer = csv.writer(csv_file)
writer.writerows(table)

问题：

我没有得到所需的输出，即一半的描述显示在日期表下。我附上 csv 以供进一步参考 here。

期望输出：

例如

['04/02','克莱斯勒资本付款 0023582513','$469.88-','$51.15']

解决方法

Example of output

你可以使用 pdfplumber 库，它非常有用，我在不到五分钟的时间内就得到了这个输出，它需要使用表格参数

import pandas as pd
import pdfplumber
pdf = pdfplumber.open(r'C:\Users\Erkin\Downloads\test.pdf')
df = pd.DataFrame()
table_settings={"vertical_strategy": "text","horizontal_strategy": "lines","intersection_y_tolerance": 8}
df = pd.DataFrame(pdf.pages[3].extract_table(table_settings))
df.to_csv(r'C:\Users\Erkin\Downloads\test.csv')