码农知识堂 - 1000bd
  •   Python
  •   PHP
  •   JS/TS
  •   JAVA
  •   C/C++
  •   C#
  •   GO
  •   Kotlin
  •   Swift
  • pymupdf提取pdf表格及表格数据合并


    pymupdf提取pdf表格非常快速,相比其他库是个更好的选择.

    一个行列多的表格打印成pdf后会由于页宽分页原因变成多个表格,提取的多个表格需要合并为一个表格,再来处理数据.

    下面代码中merge函数用于合并表格.addOneAxis0用于合并仅分页导致的多子表.

    1. def addOneAxis0(data,one):
    2. if len(data)==0:#first
    3. r=one
    4. else:
    5. r=data+one[1:]#remove first title row
    6. return r
    7. def merge(data):
    8. output=data[0]
    9. titles=data[0][0][1:]
    10. for i in range(1,len(data)):
    11. newtitle=data[i][0][1:]
    12. # print(titles)
    13. # print(newtitle)
    14. # input("here")
    15. if newtitle[0] in titles:#repeat
    16. for one in data[i][1:]:#add row
    17. output.append(one)
    18. else:#
    19. if newtitle[0] in output[0]:#add column without title
    20. thedata=data[i][1:]#remove title
    21. n=len(thedata)
    22. out=output[-n:]
    23. for j in range(len(out)):
    24. out[j]+=thedata[j][1:]
    25. pass
    26. else:#add column with title
    27. n=len(data[i])
    28. out=output[-n:]
    29. for j in range(len(out)):#add column
    30. out[j]+=data[i][j][1:]
    31. pass
    32. return output
    33. def getDataMass(file_name):
    34. global doc,curvePage
    35. doc=fitz.open(file_name) # open document
    36. data=[]
    37. mass=[]
    38. tables=[]
    39. i=None
    40. for i in range(doc.page_count).__reversed__():
    41. page = doc[i]
    42. tabs=page.find_tables()
    43. if len(tabs.tables)==0:
    44. break
    45. else:
    46. tables.append(tabs[0].extract())
    47. tables.reverse()
    48. for one in tables:
    49. if one[0][0]=="溶液标签":
    50. data.append(one)#data.append(one)
    51. else:
    52. mass=addOneAxis0(mass,one)
    53. curvePage=i
    54. print(data)
    55. data=merge(data)
    56. print(data)
    57. return (data,mass)
    '
    运行

  • 相关阅读:
    Tomcat HTTPS证书申请与部署
    x264交叉编译(ubuntu+arm)
    『现学现忘』Git基础 — 5、Git的协作模式
    Python测网络连通性、能否访问某个网络或者端口号<网络检测、ping主机、测试端口>
    瑞吉外卖代码优化
    马铃薯甲虫的成虫和幼虫数据集(YOLO检测)
    手机也能轻松搭建个人博客,使用安卓Termux+Hexo建立自己的网站
    概率论重点笔记
    Leetcode168. Excel表列名称
    Nginx编译安装+监控模块vts
  • 原文地址:https://blog.csdn.net/mahongquan/article/details/139383860
  • 最新文章
  • 攻防演习之三天拿下官网站群
    数据安全治理学习——前期安全规划和安全管理体系建设
    企业安全 | 企业内一次钓鱼演练准备过程
    内网渗透测试 | Kerberos协议及其部分攻击手法
    0day的产生 | 不懂代码的"代码审计"
    安装scrcpy-client模块av模块异常,环境问题解决方案
    leetcode hot100【LeetCode 279. 完全平方数】java实现
    OpenWrt下安装Mosquitto
    AnatoMask论文汇总
    【AI日记】24.11.01 LangChain、openai api和github copilot
  • 热门文章
  • 十款代码表白小特效 一个比一个浪漫 赶紧收藏起来吧!!!
    奉劝各位学弟学妹们,该打造你的技术影响力了!
    五年了,我在 CSDN 的两个一百万。
    Java俄罗斯方块,老程序员花了一个周末,连接中学年代!
    面试官都震惊,你这网络基础可以啊!
    你真的会用百度吗?我不信 — 那些不为人知的搜索引擎语法
    心情不好的时候,用 Python 画棵樱花树送给自己吧
    通宵一晚做出来的一款类似CS的第一人称射击游戏Demo!原来做游戏也不是很难,连憨憨学妹都学会了!
    13 万字 C 语言从入门到精通保姆级教程2021 年版
    10行代码集2000张美女图,Python爬虫120例,再上征途
Copyright © 2022 侵权请联系2656653265@qq.com    京ICP备2022015340号-1
正则表达式工具 cron表达式工具 密码生成工具

京公网安备 11010502049817号