利用python提取pdf文本數(shù)字的案例

小編給大家分享一下利用python提取pdf文本數(shù)字的案例，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

說明：從pdf文件中提取其他類型的數(shù)據(jù)，如文本或圖像。將說明從pdf文件中提取數(shù)據(jù)表，然后將其轉(zhuǎn)換為適合于進一步分析和構(gòu)建模型的格式，以一個實例作為介紹。

使用Python從PDF文件中提取一個表格

1、將表復制到Excel并保存為table_1_raw.csv

數(shù)據(jù)以一維格式存儲，必須進行重塑、清理和轉(zhuǎn)換。

2、導入必要的庫

import pandas as pd
import numpy as np

3、導入原始數(shù)據(jù)，重新定義數(shù)據(jù)

df=pd.read_csv("table_1_raw.csv", header=None)
df.values.shape
df2=pd.DataFrame(df.values.reshape(25,10))
column_names=df2[0:1].values[0]
df3=df2[1:]
df3.columns = df2[0:1].values[0]
df3.head()

4、使用字符串處理工具進行數(shù)據(jù)糾纏

我們從上面的表格中注意到，x5、x6和x7列是用百分比表示的，所以我們需要去掉percent(%)符號:

df4['x5']=list(map(lambda x: x[:-1], df4['x5'].values))
df4['x6']=list(map(lambda x: x[:-1], df4['x6'].values))
df4['x7']=list(map(lambda x: x[:-1], df4['x7'].values))

5、將數(shù)據(jù)轉(zhuǎn)換為數(shù)字形式

我們注意到列x5、x6和x7的列值數(shù)據(jù)類型為string，因此我們需要將它們轉(zhuǎn)換為數(shù)值數(shù)據(jù)，如下所示:

df4['x5']=[float(x) for x in df4['x5'].values]
df4['x6']=[float(x) for x in df4['x6'].values]
df4['x7']=[float(x) for x in df4['x7'].values]

6、查看轉(zhuǎn)換數(shù)據(jù)的最終形式

df4.head(n=5)

7、最后導出最終數(shù)據(jù)到一個csv文件

df4.to_csv('table_1_final.csv',index=False)

以上是利用python提取pdf文本數(shù)字的案例的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對大家有所幫助，如果還想學習更多知識，歡迎關(guān)注億速云行業(yè)資訊頻道！