Nó làm gì
Nguồn kiểm chứng: Tài liệu chính thức tại repository jsvine/pdfplumber.
pdfplumber là thư viện Python chuyên dụng để trích xuất văn bản có định dạng, dòng kẻ, hình học và đặc biệt là bảng biểu (table extraction) từ các tệp PDF kỹ thuật số. Thư viện cho phép phân tích tọa độ từng ô dữ liệu, nhận diện đường viền bảng chính xác để xuất thẳng ra định dạng bảng tính Pandas DataFrame, Excel (.xlsx) hoặc .csv. Đây là công cụ nền tảng phục vụ Workflow 1 (PDF bản vẽ/dự toán → BOQ Excel) và Workflow 3 (PDF hóa đơn → Excel tổng hợp).
Cài đặt (từng bước, tiếng Việt)
Nguồn kiểm chứng: Trang gói chính thức trên Python Package Index (PyPI).
-
Cài đặt qua dòng lệnh pip:
pip install pdfplumber -
Ví dụ trích xuất bảng biểu cơ bản:
import pdfplumber import pandas as pd with pdfplumber.open("bang_khoi_luong.pdf") as pdf: for page in pdf.pages: tables = page.extract_tables() for table in tables: df = pd.DataFrame(table[1:], columns=table[0]) print(df.head())
Giới hạn
- Công cụ tối ưu cho PDF có lớp văn bản số (digital PDF). Đối với PDF scan ảnh (bản vẽ scan giấy không có text layer), cần kết hợp thêm tầng nhận diện ký tự quang học (OCR như Tesseract).
Lưu ý bảo mật / dữ liệu
- Hoạt động thuần túy xử lý cục bộ trên máy tính của bạn, đảm bảo an toàn tuyệt đối cho các tài liệu nội bộ, hồ sơ dự toán và báo giá khách hàng.