【办公自动化】使用Python一键提取PDF中的表格到Excel |
您所在的位置:网站首页 › 从pdf中提取表格 › 【办公自动化】使用Python一键提取PDF中的表格到Excel |
🤵♂️ 个人主页:@艾派森的个人主页 ✍🏻作者简介:Python学习者 🐋 希望大家多多支持,我们一起进步!😄 如果文章对你有帮助的话, 欢迎评论 💬点赞👍🏻 收藏 📂加关注+ 目录 一、Python处理Excel 二、提取PDF表格到excel 三、往期推荐 文末推荐 文末福利 一、Python处理Excel Python处理Excel的好处 1.批量操作:当要处理众多Excel文件时,例如出现重复性的手工劳动,那么使用Python就可以实现批量扫描文件、自动化进行处理,利用代码代替手工重复劳动,实现自动化,是Python第一个比Excel强大的地方 2.大型文件,当Excel文件超过几十兆、甚至上百兆时,打开文件很慢、处理文件更加慢,这时候若使用Python,会发现处理几十兆、几百兆甚至几GB都是没有问题的 3.当使用Excel进行复杂的计算时,会使用VBA,但是VBA本身是过时并且复杂的语言,Python是当前最简单且容易实现的一门语言,用Python能够处理比VBA难度更高的业务逻辑 4.Python是通用语言,不仅可以处理Excel,使用Python就可以得到很多额外的功能,例如:爬虫、发布网页的Web服务、与数据库进行连接、同时结合word和PPT进行处理、加入定时任务处理、人工智能分析等,各种额外的功能,这是Excel和VBA所不具备的 Python处理Excel主要有三大类库 1.pandas:是Python领域非常重要的,用于数据分析和可视化的类库,在处理Excel中,90%可以利用pandas类库就可以搞掂,利用pandas就可以读取Excel、处理Excel和输出Excel,但是pandas也有缺点,就是无法做到格式类,例如Excel中合并单元、大量复杂的样式(看起来很精美)的时候,用pandas无法搞掂,此时,依然是使用pandas结合openyxl、xlwings来搞掂需求 2.openpyxl:若电脑上未安装office时,也可以使用openpyxl,这个类型可以运行在linux上,并且也可以实现操作大部分Excel格式和样式的功能,使用它配合pandas,也可以完成大部分场景的需求 3.xlwings:比openyxl更加强大,只能运行在Windows或者Mac系统,并且该系统中必须安装了office才能运行,xlwings的原理,就是基于当前系统已经安装好的office软件,来进行功能的拓展来操作Excel 使用pandas的时候,经常会结合其他类库,来完成更加复杂的功能 requests, bs4:可以完成爬虫的功能 flask:可以做网页,把表格展示在网页上 Matplotlib:读取表格后,进行可视化 sklearn:进行复杂的数据分析时,也可以结合机器学习Sklearn把读取的Excel数据,进行数据分析和机器学习 Python-docx:也可以结合Python-docx类库,实现Excel和word的互通 smtplib:也可以使用smtplib,讲Excel数据发送邮件出去 开发环境 操作系统:使用windows, mac都可以 Python版本:系统中需要安装Python3.6以上的版本,Python2已经过期不建议使用,Python3.6以前的版本功能相对弱,最好就是采用Python3.6以上的版本 开发工具:有两个可以选择,jupyter notebook,是个网页编辑器,可以运行Python,常常用于交互性、探索性的开发;pycharm,用于成熟脚本,或者web服务的一些开发;这两个工具可以随意选择 重要类库:xlwings, pandas, matplotlib等 二、提取PDF表格到excel从PDF文件获取表格中的数据,也是日常办公容易涉及到的一项工作。一个一个复制吧,效率确实太低了。用Python从PDF文档中提取表格数据,并写入Excel文件,灰常灰常高效。上市公司的年报往往包含几百张表格,用它作为例子再合适不过,搞定这个,其他含表格的PDF都是小儿科了。今天以"保利地产年报"为例,这个PDF文档中有321页含有表格,总表格数超过这个数了。 先导入PDF读取模块`pdfplumber`,随便挑一页看下表格数据的结构。如下,我们挑了第4页`pages[3]`来读取其中的表格,并显示。这里读取表格,用到了`extract_tables()`,即默认每页有多个表格。它会将单个表格的数据按行读取存入列表,再将每个表格的所有数据汇总存到一个上一级列表,最后将所有表格的数据汇总到一个大列表。而`extract_table()`方法则只能读一张表,当一个页面有多张表,就默认选第一个,因此会漏掉后面的。而且它们的数据结构也不同,差异如下。 “保利地产年报”第四页如图所示,读取的结果存到列表`table`,显示如下: 确保可正常读取表格,以及了解读取出来的表格的数据结构,下面就可以一次性读取出所有表格,并存入Excel文件中了。导入相应模块,然后使用`pdfplumber`打开PDF文件。使用`Workbook()`新建Excel工作簿,然后使用`remove()`将其自带的工作表删除。因为我们想用PDF文件中表格所在的页码给相应的Excel工作表命名,以便二者的编号一致,方便后续查询。所以需要使用`enumerate()`给PDF的页从1开始编号。然后使用`extract_tables()`获取表格数据。 当然,如果当页没有表格,则`extract_tables()`获得的是空值`None`。在后续的操作中,空值会报错,所以加入`if`语句来做个判断。只有当列表`tables`不为空,即里面有货的时候,才建新的Excel表格,并执行后续的写入操作。列表`tables`若为空(即当页没有表格),则直接跳到下一页。 当发现当页有表格后,新建一个Excel表,以“Sheet”加上此时PDF的页码(比如“Sheet3”)命名。在写入数据时,先用一个`for`循环获得单个表格的数据,再用第二个`for`循环获得表格中一行的数据,然后写入Excel表。最后保存数据。由于表格太多,程序运行时间较长,大约需要3分钟。 import pdfplumber from openpyxl import Workbook with pdfplumber.open("保利地产年报.pdf") as p: wb = Workbook() #新建excel工作簿 wb.remove(wb.worksheets[0])#删除工作簿自带的工作表 for index,page in enumerate(p.pages,start = 1): #从1开始给所有页编号 tables = page.extract_tables() #读取表格 if tables: #判断是否存在表格,若不存在,则不执行下面的语句 ws = wb.create_sheet(f"Sheet{index}") #新建工作表,表名的编号与表在PDF中的页码一致 for table in tables: #遍历所有列表 for row in table: #遍历列表中的所有子列表,里面保存着行数据 ws.append(row) #写入excel表 wb.save("保利地产年报表格.xlsx")数百个表格就这样潇洒地复制到Excel表格中了。 如果想要指定某个表格,在提取数据的时候指定页码即可。但如果想批量导出大量不同公司的年报的指定表格,则需要使用关键词定位了。还好,无论深圳市场还是上海市场,公司的年报中的标题基本都是唯一的,这给我们用标题做关键词提供了方便。假设我们需要提取公司“主要会计数据”下面的表格,则用关键词“主要会计数据”定位即可。如下以此为例进行操作。 import os import pdfplumber from openpyxl import Workbook path='PDF' #文件所在文件夹 files = [path+"\\"+i for i in os.listdir(path)] #获取文件夹下的文件名,并拼接完整路径 key_words = "主要会计数据" for file in files: with pdfplumber.open(file) as p: wb = Workbook() #新建excel工作簿 wb.remove(wb.worksheets[0])#删除工作簿自带的工作表 #获取关键词所在页及下一页的页码 pages_wanted = [] for index,page in enumerate(p.pages): #从0开始给所有页编号 if key_words in page.extract_text(): pages_wanted.append(index) pages_wanted.append(index+1) break #提取指定页码里的表格 for i in pages_wanted: page = p.pages[i] tables = page.extract_tables() #读取表格 if tables: #判断是否存在表格,若不存在,则不执行下面的语句 ws = wb.create_sheet(f"Sheet{i+1}") #新建工作表,表名的编号与表在PDF中的页码一致 for table in tables: #遍历所有列表 for row in table: #遍历列表中的所有子列表,里面保存着行数据 ws.append(row) #写入excel表 wb.save("Excel\\{}.xlsx".format(file.split("\\")[1].split(".")[0]))以上,增加了一段获取关键词所在页码及下一页的页码的程序。之所以要获取关键词下一页页码,是因为有些表格会跨页,为了不遗漏数据,宁愿多获取一点。一旦找到关键词所在页,马上用`break`停止`for`循环。后面再遍历`pages_wanted`里面储存的页码,提取表格并写入Excel文件,并保存即可。批量获取的指定内容保存在`Excel`文件夹下。 Python提取pdf中的表格数据(附实战案例) 使用Python自动发送邮件 Python操作ppt和pdf基础 Python操作word基础 Python操作excel基础 文末推荐 AI时代Excel数据分析提升之道:知识精进+学习答疑+上机实训+综合实战+ChatGPT应用,零基础入门,极速提升数据分析效率! 内容简介: 本书在理论方面和实践方面都讲解得浅显易懂,能够让读者快速上手,一步步学会使用Python与Excel相结合进行数据处理与分析。 全书内容分3个部分共12章。第1~4章为入门部分,主要介绍什么是数据分析,以及Python的编程环境和基础语法知识。第5~9章为进阶部分,主要介绍数据处理和分析的各种方法。第10~12章为实战部分,这部分的3个实例综合了本书前面部分的知识点,介绍了如何结合Python与Excel在实际工作中进行数据处理与分析操作。 本书内容由浅入深,且配有案例的素材文件和代码文件,便于读者边学边练。本书还创新性地将ChatGPT引入教学当中,给读者带来全新的学习方式。本书既适合Python和数据分析的初学者学习,也适合希望从事数据分析相关行业的读者学习,还可作为广大职业院校数据分析培训相关专业的教材参考用书。 编辑推荐: (1)零基础入门宝典,由浅入深讲解,无须额外的背景知识即可学习掌握。 (2)内容系统全面,可帮助读者快速了解使用Python进行Excel数据分析的基本语法并掌握开发能力。 (3)理论与实践相结合,每个理论都有对应的代码示例,读者参考代码示例完成编写,就可以看到实践效果。 (4)本书配有实训与问答,方便读者阅读后尽快巩固知识点,做到举一反三、学以致用。 (5)AI前沿产品ChatGPT+Python进行Excel数据分析,大幅学习和分析的效率 文末福利《码上行动》和《Python自动化办公应用大全》二选一免费包邮送出5本! 抽奖方式:评论区随机抽取5位小伙伴免费送出!参与方式:关注博主、点赞、收藏、评论区评论“人生苦短,拒绝内卷!”(切记要点赞+收藏,否则抽奖无效,每个人最多评论三次!)活动截止时间:2023-08-08 20:00:00《码上行动》京东链接:https://item.jd.com/14069538.html 《Python自动化大全》京东链接:https://item.jd.com/13953308.html 名单公布时间:2023-08-08 21:00:00
|
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |