Question

PDF 以及其他难以解析的格式，是你会遇到的最糟糕的格式。如果你找到这些格式的数据，应该做的第一件事就是看能否找到其他格式的数据。对于我们的例子来说，我们从 CSV 格式得到的数据更为精确，因为 PDF 表格中的数字是经过四舍五入的。越是原始的数据格式，数据可能就越精确，用代码解析也越容易。

如果找不到其他格式的数据，那你应该尝试以下步骤。

(1) 确定数据类型。

(2) 在互联网上搜索其他人解决问题的方法。有没有帮助导入数据的工具？

(3) 凭直觉选择你要用的工具。如果是 Python，选择你认为最合适的库。

(4) 尝试将数据转换成更容易使用的格式。

表 5-1 列出了我们在本章学过的库和工具。

表5-1：新的Python库和工具

库或工具	作用
slate	每次运行脚本时，都将 PDF 解析为内存里的一个字符串
pdfminer	将 PDF 转换为文本，这样你就可以解析文本文件
pdftables	首先用 pdfminer 将 PDF 解析成文本，然后尝试寻找表格，并将每一行内容对齐
Tabula	提供操作界面，可以将 PDF 数据提取成 CSV 格式

除了上面这些新工具，我们还学习了 Python 编程的一些新概念，表 5-2 对这些新概念做了汇总。

表5-2：Python编程新概念

概念	作用
转义字符（http://learnpythonthehardway.org/book/ex10.html）	转义字符告诉计算机，文件路径或文件名中有一个空格或特殊字符，告知方式是在其前面加一个反斜线（\）。一种用法是在空格前加 \ 将其转义
\n	\n 是文件中行尾或新行的标志
elif（https://docs.python.org/2/tutorial/controlflow.html）	在写 if-else 语句的过程中，我们可以添加额外的条件再次测试：if...elif...elif...else
函数（https://docs.python.org/2/tutorial/controlflow.html#defining-functions）	Python 函数用来执行一段代码。将可复用的代码写成函数，我们可以避免多次重复
zip（https://docs.python.org/2.7/library/functions.html#zip）	zip 是 Python 内置函数，将两个可迭代对象转换成由元组构成的列表
元组（https://docs.python.org/2.7/library/functions.html#tuple）	元组和列表类似，但是不可更改（immutable），也就是说，不能修改元组。想修改一个元组，需要将其保存为一个新对象
dict 转换（https://docs.python.org/2.7/library/functions.html#func-dict）	dict 是 Python 内置函数，将输入转换成字典。输入数据应满足键值对的形式，这样函数才能正常运行

下一章我们将讨论数据获取与存储。这样我们就能了解关于获取其他数据格式的更多内容。在第 7 章和第 8 章，我们会讲到数据清洗，这也对我们处理复杂的 PDF 有所帮助。