python pdf跨页表格转换为excel
- import pdfplumber
- import pandas as pd
- import os
- from openpyxl import load_workbook
- from datetime import datetime
- # page_chars最尾部的非空字符
- def tail_not_space_char(page_chars):
- i = -1
- while page_chars[i].get('text').isspace():
- i = i - 1
- # print(page_chars[i].get('text'), i)
- return page_chars[i]
-
- # 返回列表最头部的非空字符
- def head_not_space_char(page_chars):
- i = 0
- while page_chars[i].get('text').isspace():
- i += 1
- # print(page_chars[i].get('text'), i)
- return page_chars[i]
-
- # 将pdf表格数据抽取到文件中
- def extract_tables(input_file_path, output_excel_path):
- pdfList=[]
- print("========================================表格抽取开始========================================")
- # 读取pdf文件,保存为pdf实例
- pdf = pdfplumber.open(input_file_path)
-
- # 存储每个页面最底部字符的y0坐标
- y0_bottom_char = []
- # 存储每个页面最底部表格中最底部字符的y0坐标
- y0_bottom_table = []
- # 存储每个页面最顶部字符的y1坐标
- y1_top_char = []
- # 存储每个页面最顶部表格中最顶部字符的y1坐标
- y1_top_table = []
- # 存储所有页面内的表格文本
- text_all_table = []
- # 获取当前日期为转换后的文件名
- current_datetime = datetime.now()
-
- # 格式化为"YYYY-MM-DD HH:MM:SS"的字符串
- formatted_datetime = current_datetime.strftime("%Y-%m-%d %H-%M-%S")
- fileName=formatted_datetime+".xlsx"
- # print("格式化后的日期时间:", formatted_datetime)
-
- # 访问每一页
- print("1===========开始抽取每页顶部和底部字符坐标及表格文本===========1")
- for page in pdf.pages:
- # table对象,可以访问其row属性的bbox对象获取坐标
- table_objects = page.find_tables()
- text_table_current_page = page.extract_tables()
- if text_table_current_page:
- text_all_table.append(text_table_current_page)
- # 获取页面最底部非空字符的y0
- y0_bottom_char.append(tail_not_space_char(page.chars).get('y0'))
- # 获取页面最底部表格中最底部字符的y0,table对象的bbox以左上角为原点,而page的char的坐标以左下角为原点,可以用page的高度减去table对象的y来统一
- y0_bottom_table.append(page.bbox[3] - table_objects[-1].bbox[3])
- # 获取页面最顶部字符的y1
- y1_top_char.append(head_not_space_char(page.chars).get('y1'))
- # 获取页面最顶部表格中最底部字符的y1
- y1_top_table.append(page.bbox[3] - table_objects[0].bbox[1])
- print("1===========抽取每页顶部和底部字符坐标及表格文本结束===========1")
-
- # 处理跨页面表格,将跨页面表格合并,i是当前页码,对于连跨数页的表,应跳过中间页面,防止重复处理
- print("2===========开始处理跨页面表格===========2")
- i = 0
- while i < len(text_all_table):
- print("处理页面{0}/{1}".format(i+1, len(text_all_table)))
- # 判断当前页面是否以表格结尾且下一页面是否以表格开头,若都是则说明表格跨行,进行表格合并
- # j是要处理的页码,一般情况是当前页的下一页,对于连跨数页情况,也可以是下下一页,跨页数为k
- # 若当前页是最后一页就不用进行处理
- if i + 1 >= len(text_all_table):
- break
- j = i + 1
- k = 1
- # 要处理的页为空时退出
- while text_all_table[j]:
- if y0_bottom_table[i] <= y0_bottom_char[i] and y1_top_table[j] >= y1_top_table[j]:
- # 当前页面最后一个表与待处理页面第一个表合并
- text_all_table[i][-1] = text_all_table[i][-1] + text_all_table[j][0]
- text_all_table[j].pop(0)
- # 如果待处理页面只有一个表,就要考虑下下一页的表是否也与之相连
- if not text_all_table[j] and j + 1 < len(text_all_table) and text_all_table[j + 1]:
- k += 1
- j += 1
- else:
- i += k
- break
- else:
- i += k
- break
- print("2===========处理跨页面表格结束===========2")
-
- # 保存excel
- print("3===========开始保存表格到excel===========3")
-
- for page_num, page in enumerate(text_all_table):
- for table_num, table in enumerate(page):
- print("处理表格页面{0}/表格{1}".format(page_num, table_num))
- if table:
- table_df = pd.DataFrame(table[1:], columns=table[0])
- final_filename = output_excel_path + "page{0}_table{1}.xlsx".format(page_num, table_num)
- table_df.to_excel(final_filename)
- print("生成文件:", final_filename)
- pdfList.append(final_filename)
- print("3===========保存表格到excel结束===========3")
- print("4===========开始合并excel===========4")
- # print(pdfList)
-
- # 合并所有Excel文件
- all_data = []
- for file in pdfList:
- file_path = os.path.join(file)
- df = pd.read_excel(file_path)
- all_data.append(df)
-
- # 合并数据帧
- combined_df = pd.concat(all_data, ignore_index=True)
- # 保存到新的Excel文件
- combined_df.to_excel(fileName, index=False)
- wb = load_workbook(fileName)
- sheet = wb.active
-
- # 获取"A"列的范围
- column = sheet['A']
-
- # 生成序号并写入"A"列
- for i, cell in enumerate(column, start=0):
- cell.value = i
-
- # 保存修改后的Excel文件
- wb.save(fileName)
- print("5===========合并excel结束===========5")
- for file in pdfList:
- os.remove(file)
- # # 保存txt
- # print("4===========开始保存表格到txt===========4")
- # for page_num, page in enumerate(text_all_table):
- # for table_num, table in enumerate(page):
- # print("处理表格页面{0}/表格{1}".format(page_num, table_num))
- # if table:
- # table_df = pd.DataFrame(table[1:], columns=table[0])
- # final_filename = output_excel_path + "page{0}_table{1}.txt".format(page_num, table_num)
-
- # with open(final_filename,"w") as f:
- # f.write(table_df.to_string())
- # f.close()
- # # print("生成文件:", final_filename)
- # print("4===========保存表格到txt结束===========4")
-
- # print("========================================表格抽取结束========================================")
-
- if __name__ == '__main__':
-
- # 抽取表格
- input_file = "pdf.pdf"
- output_excel_path = ""
-
- extract_tables(input_file, output_excel_path)
还有点问题 最后那个分数 小数点后面四舍五入了