今天要跟大家一起看一下工作或生活中都常常會接觸到的 -- PDF檔案。
PDF（全名Portable Document Format）的檔案中除了文字以外，可以有圖片，表格，甚至是動畫 -- 相當的賞心悅目。除了方便在網路上傳送，經常看到譬如說個人履歷表、銀行交易紀錄、公司財務報表、海報、廣告文案等等頃向會印出來的文件也都會使用PDF。
只是，美麗的東西往往都是帶刺的🌹。這些豐富的要素，使得處理PDF的資料具有相當程度的挑戰性。
大家有沒有曾經為了擷取PDF中的內容而氣到內傷的經驗？如果單純手動Copy & Paste裡面的內容，往往需要做不少後製的格式調整。
PDF某種程度是設計讓你無法輕易去更改，它就像一張畫布的概念。為了維持檔案的呈現樣貌，PDF中有許許多多複雜的要素存在，有興趣的話可以參考這裡。
接下來，我們來看看如何使用Python來幫助我們處理PDF檔案吧。
Python其實有不少處理PDF格式的Library，但是許多用法並不是那麼直覺。
因此，我們今天要來介紹的是個人覺得最簡單好用的 - pdfplumber。
首先安裝如下：
pip install pdfplumber==0.5.25擷取文字
第一個最常會用到的，就是擷取PDF中的文字部分。話不多說，就直接來看例子吧！
這裡是我們會用到的PDF檔案 （摘錄自Google的財務報表）
Code如下：
就這麼幾行code，我們就抓到了第一頁的文字了！！
利用pdfplumber.open這個函數，並指定檔案路徑來生成PDF的物件。
接著，利用.pages這個屬性，可以指定你要的頁數，在這裡我們指定要第一頁（pages[0]）。
這個page本身也是一個物件，可以用page.extract_text來將文字內容擷取出來。
(這裡注意到，這個文字串的分行是完全按照PDF本身的長相，所以有時候你可能會覺得怎麼有些地方斷的怪怪的。因為PDF是一個固定的長相，不會根據你的閱覽畫面的尺寸去做調整。)
接下來，由於抓出來的text是一整個string，所以如果想要能更細部的去分析，我們可以簡單利用.split將它分行。"\n" 代表的是一個斷行的特殊字元。
這樣一來，如果我們有特定的資料需要去擷取，就容易處理多了。例如我可以去尋找每一行中含有 "shares"的句子：
擷取表格
再來，假設我們想要報表裡面的表格類型（table）的資料，
嗯～，當然我們用剛剛的.extract_text其實也可以抓到裡面的內容，畢竟都是text。不過這樣一來我們就得特別知道表格的位置及特徵，然後需要的話還得在自己建構一個表格。
其實，抓取PDF中的表格具有相當的挑戰性，因為PDF中並沒有真的有table的概念😟。
幸運的是，pdfplumber有提供.extract_table用來擷取內容中看起來像table的格式。
請看下面的例子：
抓是抓到了，只是看起來好樣有一些雜音，像是空白的string以及一堆None...
所以稍微做一點清理：
這樣看起來應該好多了！
接著根據你的需求也可以把它轉成DataFrame。
這裡要再重申一次，根據表格的呈現方式，往往擷取當中的資料不見得會很單純。例如說格子（cell）的高低不一樣、或是分隔線的有無，等等因素都可能導致無法成功抓取表格。
合併PDF
OK，接下來的Use case稍有不同，但是我覺得應該還蠻有用的，所以想跟大家也一起來看一下🙂。
假設我們有另外一個PDF檔案如下，
今天我想把這個檔案中的內容跟之前的PDF結合成一個PDF檔。怎麼樣可以利用Python來做到這一點呢？？
對於這項任務（簡單來說就是把分別的PDF檔中的部分page擷取出來，做成一個新的PDF檔），我們會用到另外一個也很好用的Library，叫做PyPDF2。
安裝如下：
pip install PyPDF2==1.26.0話不多說，Code範例如下：
幾個重點：
利用PyPDF2的PdfFileReader，並提供檔案的路徑來讀取該PDF
範例中，我們單純要檔案的第一頁，利用pdf_reader.getPage(0)
透過PyPDF2的PdfFileWriter生成的物件，我們可以使用.addPage來加入剛剛我們拿到的page。
這裡我們用一個For loop，才不用寫兩次一樣的東西
將我們想要的pages都加入至PdfFileWriter物件後，接著就可以將它寫入檔案：
注意用到的模式是 "wb"，因為我們寫入的是bytes，不是string喔。
這樣一來，我們就成功的將兩個不同的PDF檔的頁面結合成一個新的PDF檔了喔！😃
👏👏👏
結語
今天跟大家介紹了：
PDF的基本用途及構造
如何用pdfplumber來擷取PDF中的文字與表格內容
如何用PyPDF2來把分別的PDF檔中的部分page擷取出來，做成一個新的PDF檔
由於各種PDF的生成方式及呈現的複雜度，使得實作上處理PDF經常是一個具有相當挑戰性的任務。但是沒辦法，PDF是現今普遍會看到的資料來源的一種😢，因此當需要的時候，知道如何處理PDF將是相當重要。
今天到這裡，希望對大家有幫助喔～🙂
是不是中文不行？我按照範例不行找中文。