• Python 读pdf数据写入Excel表中

    ​
    ​

    活动地址：CSDN21天学习挑战赛

    目录

    一、Python操作PDF的库有很多

    • 几大库对比图
      在这里插入图片描述

    二、pdflumber作为案例讲解使用

    pdfplumber及其依赖pdfminer.six专注PDF内容提取，例如文本（位置、字体及颜色等）和形状（矩形、直线、曲线），前者还有解析表格的功能。

    ​## 1、优缺点

    • 优点：

    对于文字的解析非常优秀，没有发现错字漏字的情况
    对于普通表格的解析也很棒

    • 缺点：

    对于表格分页的情况处理很弱
    合并单元格的表格解析会不够理想，但是效果还是要比tabula好。

    2、安装配置

    pip install pdfplumber

    结果：
    在这里插入图片描述

    2、加载PDF

    import pdfplumber

# 读取pdf文件
with pdfplumber.open('data.pdf') as pdf:
    print(pdf)
    # 打印pdf类型
    print(type(pdf))


    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    3、读取pdf文档信息

    1）读取pdf文档信息

    属性描述
    .metadata从PDF的Info中获取元数据键 /值对字典。 通常包括“ CreationDate”，“ ModDate”，“ Producer”等。
    .pages一个包含pdfplumber.Page实例的列表，每一个实例代表PDF每一页的信息。
    import pdfplumber

# 读取pdf文件
with pdfplumber.open('data.pdf') as pdf:
    #读取文档信息
    print(pdf.metadata)

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    结果：

    {'Author': 'Tian', 'CreationDate': "D:20220811142408+08'00'", 'ModDate': "D:20220811142408+08'00'", 'Producer': 'Microsoft® Excel® 2016', 'Creator': 'Microsoft® Excel® 2016'}

    • 1

    2）打印pdf文档总页码

    属性说明
    .metadata元祖的形式获取pdf文档的相关信息
    .pages获取pdf的页码

    在这里插入图片描述

    import pdfplumber

# 读取pdf文件
with pdfplumber.open('data.pdf') as pdf:
    #读取文档总页码
    print(len(pdf.pages))


    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7

    4、pdfplumber.page类

    是pdfplumber的核心

    属性描述
    .page_number页码顺序，从第一页的1开始，第二页为2，依此类推
    .width页面宽度
    .heigh页面高度
    .objects,.chars,.lines,.rects,.curves,.figures,.images这些属性中的每一个都是一个列表，并且每个列表针对嵌入面上的每个此类对象包含一个字典。 有关更多详细信息，请参见下面的"对象(Object)"
    • 常用方法
    方法名说明
    .crop(bounding_box)返回裁剪后的页面，该bouding_box（边界框）应表示为具有值(x0, top, x1, bottom)的4元组。 裁剪后的页面保留了至少部分位于边界框内的对象。 如果对象仅部分落在该框内，则也会被涵盖。
    .within_bbox(bounding_box)和.crop相似，但是只会包含完全在bounding_box内的部分。
    .filter(test_function)返回仅包含.objects的页面版本，该对象的test_function(obj)返回True。
    .extract_text(x_tolerance=0, y_tolerance=0)将页面的所有字符对象整理到一个字符串中。若其中一个字符的x1与下一个字符的x0之差大于x_tolerance，则添加空格。若其中一个字符的doctop与下一个字符的doctop之差大于y_tolerance，则添加换行符。
    .extract_words(x_tolerance=0, y_tolerance=0, horizontal_ltr=True, vertical_ttb=True)返回所有单词外观及其边界框的列表。字词被认为是字符序列，其中（对于“直立”字符）一个字符的x1和下一个字符的x0之差小于或等于x_tolerance，并且一个字符的doctop和下一个字符的doctop小于或等于y_tolerance。对于非垂直字符也采用类似的方法，但是要测量它们之间的垂直距离，而不是水平距离。参数horizontal_ltr和vertical_ttb指示是否应从左到右（对于水平单词）从上到下（对于垂直单词）读取字词。
    .extract_tables(table_settings)从页面中提取表格数据。
    .to_image(**conversion_kwargs)返回PageImage类的实例。

    1）读取pdf的数据(第一页)

    在这里插入图片描述

    import pdfplumber

# 读取pdf文件
with pdfplumber.open('data.pdf') as pdf:
    # 读取文档总页码
    page = pdf.pages[0]

    print("第一页页码： ", page.page_number)
    print("第一页页宽： ", page.width)
    print("第一页页高： ", page.height)


    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11

    2）读取第一页数据

    在这里插入图片描述

    3）将数据写入到Excel表中

    import pdfplumber
import xlwt

# 读取pdf文件
with pdfplumber.open('data.pdf') as pdf:
    # 读取文档总页码
    page = pdf.pages[0]

    # 读取表格数据
    table = page.extract_table()

    # 创建Excel文本
    work_book = xlwt.Workbook(encoding='utf-8')
    # 新建sheet表格
    work_sheet = work_book.add_sheet('sheet1')
    # 定义列名
    col = table[0]

    #将col写入到表单第一行，['省市', '地市', '用电类别', '当期值']
    for i in range(0, len(col)):
        work_sheet.write(0, i, col[i])
    #将数据写入到sheet表中
    for i in range(0, len(table[1:])):
        data = table[1:][i]
        for j in range(0, len(col)):
            work_sheet.write(i + 1, j, data[j])
    #保存
    work_book.save('test2.xls')


    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29

    结果：
    在这里插入图片描述

    4）读取完整pdf文档写入到Excel中

    import pdfplumber
import xlwt

# 读取pdf文件
with pdfplumber.open('data.pdf') as pdf:
    # 读取文档总页码
    pages = pdf.pages
    # 定义一个数组
    item = []
    for page in pages:
        # 读取表格数据
        table = page.extract_table()
        for i in table:
            item.append(i)
    # 创建Excel文本
    work_book = xlwt.Workbook(encoding='utf-8')
    # 新建sheet表格
    work_sheet = work_book.add_sheet('sheet1')
    # 定义列名
    col = item[0]
    # 将col写入到表单第一行，['省市', '地市', '用电类别', '当期值']
    for i in range(0, len(col)):
        work_sheet.write(0, i, col[i])
    # 将数据写入到sheet表中
    for i in range(0, len(item[1:])):
        data = item[1:][i]
        for j in range(0, len(col)):
            work_sheet.write(i + 1, j, data[j])
    # 保存
    work_book.save('test2.xls')


    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31

    在这里插入图片描述

    5）多pdf文本写入到Excel表中

    import pdfplumber
import xlwt
import os

# 读取文件夹路径
file_dir = r'D:\pythonproject\file'
file_list = []
# 循环读取路径pdf文件
for files in os.walk(file_dir):
    # print(files) ('D:\\pythonproject\\file', [], ['1.pdf', '2.pdf', '3.pdf'])
    for file in files[2]:
        # 对文件名切割,以.作为切割符；拼接地址存入file_list中
        if file.split('.')[1] == 'pdf' or file.split('.')[1] == 'PDF':
            file_list.append(file_dir + '\\' + file)

# 定义一个临时表存放数据
item = []
# 读取pdf文件
for file_page in file_list:
    with pdfplumber.open(file_page) as pdf:
        for page in pdf.pages:
            for i in page.extract_table():
                item.append(i)

# 创建Excel文本
work_book = xlwt.Workbook(encoding='utf-8')
# 新建sheet表格
work_sheet = work_book.add_sheet('sheet1')
# 定义列名
col = item[0]
# 将col写入到表单第一行，['省市', '地市', '用电类别', '当期值']
for i in range(0, len(col)):
    work_sheet.write(0, i, col[i])
# 将数据写入到sheet表中
for i in range(0, len(item[1:])):
    data = item[1:][i]
    for j in range(0, len(col)):
        work_sheet.write(i + 1, j, data[j])
# 保存
work_book.save('test3.xls')


    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41

    在这里插入图片描述

    注意：pdf文档转换的时候一定要弄好，Excel转pdf时候转换成功，但是里面有乱码导致一直读不出来报错，搞了好久

  • 相关阅读:
    LeetCode-1206-设计跳表
    互联网应用主流框架整合之SpingMVC运转逻辑及高级应用
    【AGC】引导用户购买提升用户留存率
    sku详情接口
    ​《乡村振兴战略下传统村落文化旅游设计》共话2023学生开学季辉少许
    应对铜价飙升，慧能泰推出超高性价比240W五芯线专用eMarker芯片
    react+electron从环境搭建到项目整合全过程
    Windows上运行Redis
    11、JavaWeb启程——会话跟踪技术Cookie&Session
    软件测试Triangle练习题
  • 原文地址：https://blog.csdn.net/walykyy/article/details/126283929