一、簡介
PDF文件是官方報告、發票和數據表的通用語言，然而從PDF文件中提取表格數據可能是一項挑戰。盡管Adobe Acrobat等工具提供了解決方案，但它們并不總是易于獲取或可自動化運行，而Python/ target=_blank class=infotextkey>Python則是編程語言中的瑞士軍刀。本文將探討如何利用Python輕松實現PDF數據提取，而無需使用昂貴的軟件。
二、了解挑戰
PDF文件是為展示而設計的，而不是為提取數據。它們通常包含復雜的布局，在視覺上很吸引人，但在計算上卻無法訪問。因此，提取表格等結構化信息非常困難。
三、使用PyMuPDF提取文本
PyMuPDF是一款輕量級的庫，擅長讀取PDF文件并提取文本。只需幾行代碼，就可以讀取PDF并從任意頁面提取文本。本文從奔馳集團2022年第四季度年度報告中提取“股東權益變動綜合報表（Consolidated Statement of Changes in Equity）”，代碼如下。
import fitz
import pandas as pd
import re
# --- PDF處理 ---
# 定義PDF文件的路徑并打開文檔
pdf_path = '..../Merc 2022Q4 Rep.pdf'
pdf_document = fitz.open(pdf_path)
# 選擇要閱讀的特定頁面
page = pdf_document[200]
# 獲取頁面的尺寸
page_rect = page.rect
page_width, page_height = page_rect.width, page_rect.height
# 定義感興趣區域的矩形（不包括腳注）
non_footnote_area_height = page_height * 0.90
clip_rect = fitz.Rect(0, 0, page_width, non_footnote_area_height)
# 從定義的區域提取文本
page_text = page.get_text("text", clip=clip_rect)
lines_page = page_text.strip().split('n')
四、規整數據
提取的文本通常帶有不需要的字符或格式。這就是預處理發揮作用的地方。Python的字符串處理功能使用戶能夠清洗和準備數據以轉換為表格格式。
# --- 數據清洗 ---
# 定義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 = []
# 如果不是數字或連字符，則合并連續字符串條目
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)
五、使用Pandas創建表格
一旦數據清洗完成，就可以使用pandas了。這個功能強大的數據分析庫可以將一系列數據點轉換為DataFrame，即一個二維的、大小可變的、可能是異構的帶有標記軸的表格數據結構。
# --- 創建DataFrame ---
# 根據列數將清洗后的數據分割成塊
num_columns = 6
data_chunks = [cleaned_data[i:i + num_columns] for i in range(0, len(cleaned_data), num_columns)]
# 定義DataFrame的表頭
headers = [
'Description',
'Share capital',
'Capital reserves',
'RetAIned earnings (restated)',
'Currency translation (restated)',
'Equity instruments / Debt instruments'
]
# 使用數據塊和表頭創建DataFrame
financial_df = pd.DataFrame(data_chunks, columns=headers)
# Display the head of the DataFrame to verify its structure
financial_df.head()
如下所示是從PDF文件中提取的表格結果。
六、結語
通過利用Python強大的庫，可以自動化繁瑣的PDF數據提取任務。這種方法不僅成本低，而且提供了Python開發者所喜愛的靈活性和強大功能。
