利用pdfplumber提取pdf文档内容
介绍
pdf是一种便携式文档格式，由Adobe公司设计。因为不受平台限制，且方便保存和传输，所以pdf非常受欢迎。目前市场上有很多pdf工具，大部分是阅读类，也有支持对pdf的修改、转换等功能，但这部分工具不少是收费的。这里介绍一个开源工具库-，可以方便地获取pdf的各种信息，包括文本、表格、图表、尺寸等。
安装以及导入
pip install pdfplumber
import pdfplumber
简单使用
中有两个基础类，PDF和Page。前者用来处理整个文档，后者用来处理整个页面
.Page类:核心功能，对PDF的大部分操作都是基于这个类，包括提取文本、表格、尺寸等 读取PDF
import pdfplumber
import pandas as pdwith pdfplumber.open("1.pdf") as pdf:
读取PDF文档信息
with pdfplumber.open("1.pdf") as pdf:print(pdf.metadata)
输出：
{‘’: ‘作者’, ‘’: “(D:216+08’00’)”, ‘’: ‘创建者’, ‘’: ‘关键字’, ‘’: “(D:216+08’00’)”, ‘’: ‘生产者’, ‘’: ‘科目’, ‘Title’: ‘标题’}
利用可以获得PDF的基本信息，作者，日期，来源等基本信息。
3. 总页数
len(pdf.pages)
读取第一页的宽度，页高等信息
# 第一页pdfplumber.Page实例first_page = pdf.pages[0]# 查看页码print('页码：', first_page.page_number)# 查看页宽print('页宽：', first_page.width)# 查看页高print('页高：', first_page.height)
读取文本
import pdfplumber
import pandas as pdwith pdfplumber.open("1.pdf") as pdf:# print(pdf.metadata)# print(len(pdf.pages))# 第一页pdfplumber.Page实例first_page = pdf.pages[0]text = first_page.extract_text();print(text)
输出：
政府数据治理的国际经验与启示
夏义堃
(武汉大学信息资源研究中心,武汉,430072)
[摘 要] 政府数据治理是当前政府信息管理研究的热点问题,对发达国家政府数据治理经验的总结有助于把握政府数据治理的普遍规律,推动我国政府数据的开发利用。 借助大量的文献调研
与案例分析,本文对政府数据治理的战略框架、内容体系以及生态环境等核心要素进行了深入而
全面的国际比较,系统分析了代表性国家政府数据治理实践所采取的普遍做法,进而为我国政府
数据治理实践提供启示和借鉴。
[关键词] 政府数据治理 数据开放 数据开发利用 数据安全 数据资产管理[中图分类号] G203;D630 [文献标识码] A [文章编号] 2095-2171(2018)03-0064-09DOI:10.13365/j.jirm.2018.03.064
InternationalExperiencesandImplicationsonGovernmentDataGovernance
XiaYikun
(CenterforStudiesofInformationResourcesofWuhanUniversity,Wuhan,430072)
[Abstract] Governmentdatagovernanceisahotissueintheresearchofgovernmentinformationmanagement.Asummaryaboutexperiencesongovernmentdatagovernancefromdevelopedcountrieswillhelpustopromotethe
processofgovernmentdataexploitation.Basedonalargenumberofliteraturereviewandcasestudies,thispaper
takesaninternationalcomprehensiveandin-depthcomparisononthestrategicframework,contentsystemandeco-
logicalenvironmentofgovernmentdatagovernance,systemicallyanalyzingitsuniversalpractice.Then,itprovides
somereferencestothedevelopmentofChinesegovernmentdatagovernance.
[Keywords] Governmentdatagovernance; Opendata; Dataexploitation; Datasecurity; Dataassetmanagement
政府数据治理是政府治理和政府信息管 还是中观层面的数据法规制度,乃至微观层面理的重要组成部分,“是综合运用数据管理法 的数据实践,都充分体现了政府数据治理理念
律制度、人员组织、技术方法以及流程标准等 和数据治理的行为典范,具有普遍借鉴意义。
手段,对政府结构化数据和非结构化数据的可
1 强化政府数据治理的顶层设计
用性、完整性、安全性等进行全面管理,以确保
数字化时代政府数据量的急剧扩张与技
政府数据资产的保值增值。”[1]随着大数据战
术手段的快速更新,亟待在宏观层面实现思维
略和开放政府数据战略的全球推进,特别是对
观念从“数据管理”向“数据作为战略资产”的
数据资产价值认识的不断深化,各国纷纷出台
一系列政策举措来推进政府数据的开发利用。 转变,并需要最高决策层对政府数据治理的战
虽然并没有系统性地提出政府数据治理的概 略目标、战略重点、主攻方向以及工作机制、推
念体系,但无论是宏观层面的数据战略意识, 进方式等进行整体设计,以确定数据治理工作
[作者简介] 夏义堃,博士,研究员,副院长,研究方向为政府信息资源管理、电子政务,Email:xyk@whu.edu.cn。
读取表格
import pdfplumber
import pandas as pdwith pdfplumber.open("1.pdf") as pdf:page_third = pdf.pages[2]table_2 = page_third.extract_table()# print(table_2)table_df = pd.DataFrame(table_2[1:], columns=table_2[0])print(table_df)# 保存exceltable_df.to_excel('test.xlsx')
提取表格需要处理很多细节，此处表格线框比较规范，所以可以简单提取，对于线条不完全的表格，则效果差的多。
