個人學(xué)習(xí)筆記，僅供參考。

需求：提取AUTOSAR SWS中所有的API接口信息，用于生成C代碼。
此處以AUTOSAR_SWS_CANDriver.pdf為例，若需要提取多個SWS文件，遍歷各個文件即可。

1.Python包

pdfplumber是一款完全用python開發(fā)的pdf解析庫，對于線框完全的表格，pdfminer能給出比較好的抽取效果，但是對于線框不完全（包含無線框）的表格，其效果就差了不少。因為在實際項目所需處理的pdf文檔中，線框完全及不完全的表格都比較多。

備注：安裝時，可能會因為網(wǎng)絡(luò)問題，導(dǎo)致pdfplumber安裝失敗，可以切換國內(nèi)鏡像進(jìn)行安裝，具體命令如下：

pip install pdfplumber -i http://pypi.douban.com/simple

其他國內(nèi)源如下：

清華：https://pypi.tuna.tsinghua.edu.cn/simple
阿里云：http://mirrors.aliyun.com/pypi/simple/
中國科技大學(xué) https://pypi.mirrors.ustc.edu.cn/simple/
華中理工大學(xué)：http://pypi.hustunique.com/
山東理工大學(xué)：http://pypi.sdutlinux.org/

2.實現(xiàn)思路

目標(biāo)表格

具體步驟
1、使用extract_tables解析當(dāng)前page所有表格，判斷一個單元格為“Service Name”（關(guān)鍵字）
2、若存在Service Name，將此表格的內(nèi)容追加到總表
3、讀取當(dāng)前表的同時判斷是否是完整的表格，如果不是，則繼續(xù)讀取下一頁，在一起追加到總表
備注：第一個單元格不是“Service Name”，存在兩種情況，一是非我們想要的表格，另一個是部分我們需要的，后者在步驟3中處理掉，所以無影響
參考代碼

import pdfplumberinputFile = "AUTOSAR_SWS_CANDriver.pdf"
functionList = []
# 前15頁無有效信息，為提高效率，減少掃描頁數(shù)
startPage = 15def readPdfFile():global functionListtable_settings = {"vertical_strategy": "lines",    # 對于完整的表格，vertical_strategy與horizontal_strategy都配置為lines"horizontal_strategy": "lines","snap_y_tolerance": 10,          # y方向上較短的線條extract_tables也會識別為表格的邊界，最后導(dǎo)致識別出錯# 這里將最小像素點設(shè)置為10（小于10丟棄線條丟棄）}with pdfplumber.open(inputFile) as pdf:######################################### 僅前期調(diào)試使用，具體使用時，可以屏蔽first_page = pdf.pages[63]  # 指定（63+1）頁P(yáng)DF內(nèi)容im = first_page.to_image()  # 轉(zhuǎn)換為image個數(shù)im.reset().debug_tablefinder(table_settings) # 將table_settings配置效果輸出到圖片方便觀看im.save('xx.PNG', format="PNG", quantize=True, colors=256, bits=8)########################################for j in range(len(pdf.pages) - startPage):page = pdf.pages[j + startPage]table = page.extract_tables(table_settings)for i in range(len(table)):   # 遍歷所有表格row = table[i]if row[0][0] == 'Service Name':      # 找表頭tempList = row                   # 先復(fù)制已有的信息if (i == (len(table)-1)) and (row[-1][0] != 'Available via'):  # 最后一個表，且缺少最后一行，繼續(xù)讀取下一頁的第一個表page1 = pdf.pages[j + startPage + 1]     # 繼續(xù)讀取下一頁table1 = page1.extract_tables(table_settings)for table1_1 in table1[0]:        # 只需要讀取第一個表格（其他的會在在下次循環(huán)中寫入）if table1_1[0] == '':         # 如果第一個表格的第一個參數(shù)為空，代表第一行的參數(shù)的補(bǔ)充，并不是新的參數(shù)，所以此處拼接上去tempList[-1][1] += '\n' + table1_1[1]else:                         # 如果不為空，代表是新參數(shù)，直接追加即可tempList.append(table1_1)functionList.append(tempList)         # 最后匯總到總表格內(nèi)if __name__ == '__main__':readPdfFile()for i in functionList:print(i)print('共%d個函數(shù)' % len(functionList))

3.輸出結(jié)果

最終保存到全局列表functionList中，后續(xù)可根據(jù)各自的開發(fā)規(guī)范/要求輸出相應(yīng)的代碼。

4. 配置說明

table_settings = {"vertical_strategy": "lines",    # 對于完整的表格，vertical_strategy與horizontal_strategy都配置為lines"horizontal_strategy": "lines","snap_y_tolerance": 10,          # y方向上較短的線條extract_tables也會識別為表格的邊界，最后導(dǎo)致識別出錯# 這里將最小像素點設(shè)置為10（小于10丟棄線條丟棄）}

4.1 snap_y_tolerance默認(rèn)值效果

這里可以發(fā)現(xiàn)識別了很多無效的邊界進(jìn)入，導(dǎo)致組成了很多多余的單元格，最終識別出錯，或者無法識別

備注：四個正交連接的小圓圈框起來的區(qū)域認(rèn)為是一個單元格，此處不是很明顯，具體可以看下圖

4.2 snap_y_tolerance配置為10效果

可以很明顯看見，上面很多短的邊界被忽略掉了。

備注：“Syntax”出個人了解不應(yīng)該識別出來，但是此處任然識別出來了，可能因為左側(cè)的兩點未連接，所以不影響最終結(jié)果，此處未進(jìn)行深入研究，知道的小伙伴，歡迎討論

5. 參考資料

1、https://zhuanlan.zhihu.com/p/352722932
2、https://github.com/jsvine/pdfplumber#visual-debugging
3、https://github.com/jsvine/pdfplumber/blob/stable/examples/notebooks/extract-table-nics.ipynb
4、https://zhuanlan.zhihu.com/p/100460222
5、https://zhuanlan.zhihu.com/p/100462752
6、https://zhuanlan.zhihu.com/p/100464246