如何使用Python提取PDF文档中的文本

Question

我有大量的商业发票要处理，PDF格式。一些信息，如开票方，交易发生日期和金额需要提取。在

换句话说，我需要从每张商业发票上复制这些信息并粘贴到Excel电子表格中。在

这些信息在PDF文档中都位于同一位置，在每个PDF文档中始终位于同一位置。在

有没有一种方法可以让Python获取信息并将其存储到Excel电子表格中，而不是手动复制和粘贴？在

谢谢。在

Answer 1

要阅读pdf文件，可以使用StringIO

from StringIO import StringIO


pdfContent = StringIO(getPDFContent("Billineg.pdf").encode("ascii", "ignore"))
for line in pdfContent:
    print line

---

您可以使用的其他选项pypdf

小例子

^{pr2}$

提取数据后，您可以将它们写入^{}或对于excel，您可以使用^{}

getpdf内容是方法

import pyPdf  
def getPDFContent(path):
    content = ""
    num_pages = 10
    p = file(path, "rb")
    pdf = pyPdf.PdfFileReader(p)
    for i in range(0, num_pages):
        content += pdf.getPage(i).extractText() + "\n"
    content = " ".join(content.replace(u"\xa0", " ").strip().split())     
    return content