Python替代Adobe从PDF提取数据

Python与PyMuPDF：自动化PDF表格数据提取,

最新推荐文章于 2025-11-01 20:33:14 发布

原创

最新推荐文章于 2025-11-01 20:33:14 发布 · 1.1k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#adobe #pdf #python

本文介绍了如何使用Python和PyMuPDF库从PDF文件中提取表格数据，通过示例展示了从奔驰2022年报告中抓取股东权益变动数据的过程，强调了Python在PDF数据处理中的优势和自动化效率。

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