Python自动化办公:批量提取PDF中的表格到Excel

在现代办公环境中,处理大量的PDF文件并提取其中的表格数据是一项常见而繁琐的任务。手动复制粘贴不仅耗时耗力,还容易出错。Python作为一种功能强大的编程语言,提供了丰富的工具包,可以高效地解决这一问题。本文将介绍如何使用Python批量提取PDF中的表格数据,并将其写入Excel文件,帮助你节省宝贵的时间。

所需工具和库

1、os:用于文件和目录操作。

2、pdfplumber:用于从PDF文件中提取表格数据。

3、openpyxl:用于创建和操作Excel文件。

步骤详解

1、获取PDF文件列表

首先,我们需要获取指定文件夹下所有PDF文件的列表。这里使用Python的内置模块os来实现。

python 复制代码
import os  

# 指定PDF文件夹路径  
path = "D:\\学习资料\\Python\\读取PDF\\账单"  

# 获取该路径下所有的文件名称  
all_items = os.listdir(path)  

# 打印文件名称,用于验证  
print(all_items)

2、遍历文件列表,读取PDF文档

接下来,遍历文件列表,使用pdfplumber模块读取每个PDF文件中的表格数据。

python 复制代码
import pdfplumber  

# 创建一个新的Excel工作簿  
new_wb = openpyxl.Workbook()  
sheet = new_wb["Sheet"]  

# 遍历文件列表  
for item in all_items:  
    if item.endswith(".pdf"):  # 确保是PDF文件  
        pdf_path = os.path.join(path, item)  
        pdf = pdfplumber.open(pdf_path)  

        # 遍历PDF页面  
        for page in pdf.pages:  
            # 提取页面中的所有表格(这里假设只提取第一个表格)  
            table = page.extract_tables()[0]  

            # 遍历表格中的行数据,并写入Excel  
            for row in table:  
                sheet.append(row)  

        # 格式化输出提取完成的信息  
        print(f"{item} 提取完成")

3、保存Excel文件

最后,将包含所有表格数据的Excel文件保存到指定路径。

python 复制代码
# 将工作簿保存到指定路径  
new_wb.save("D:\\学习资料\\Python\\读取PDF\\账单\\账单合集.xlsx")
注意事项

1、PDF表格的格式pdfplumber在提取表格时,主要依赖表格的边框。如果PDF中的表格没有边框,pdfplumber可能无法正确识别。

2、多表格处理 :如果PDF页面中包含多个表格,extract_tables()方法会返回一个包含所有表格的列表。你可以根据需要选择提取哪个表格,或者处理所有表格。

3、异常处理:在实际应用中,建议添加异常处理代码,以处理可能出现的文件读取错误、表格提取错误等问题。

4、性能优化:对于包含大量PDF文件的文件夹,可以考虑使用多线程或异步编程来提高处理速度。

总结

通过Python的ospdfplumberopenpyxl模块,我们可以轻松实现批量提取PDF中的表格数据,并将其写入Excel文件。这一自动化流程不仅提高了工作效率,还减少了人为错误。对于需要处理大量PDF文件的办公人员来说,这一技能无疑将大大节省时间和精力。

相关推荐
刘_sy6 小时前
使用EasyExcel和多线程实现高效数据导出
java·excel·easyexcel·批量导出excel
PowerBI学谦12 小时前
Copilot:Excel中的Python高级分析来了
python·excel·copilot
明达技术13 小时前
分布式 IO 模块:食品罐装产线自动化与高效运行的推手
运维·分布式·自动化
普密斯科技14 小时前
工业相机选型五要素
人工智能·数码相机·计算机视觉·智能手机·自动化·视觉检测
花千树-01015 小时前
使用 Apache PDFBox 提取 PDF 中的文本和图像
java·pdf·apache·ai编程
CodeCraft Studio16 小时前
.NET版PDF处理控件Aspose.PDF教程:在 C# 中将 TIFF 文件转换为 PDF
pdf·c#·.net
gold200817 小时前
pdf-extract-kit paddle paddleocr pdf2markdown.py(效果不佳)
pdf·paddle·paddleocr·pdf-extract-kit·pdf2markdown.py
BY组态17 小时前
BY组态:构建灵活、可扩展的自动化系统
运维·物联网·自动化·iot·web组态
傻啦嘿哟17 小时前
Python实用技巧:轻松上手自动化数据爬取与存储
开发语言·python·自动化
IDRSolutions_CN20 小时前
Java 开发者需要了解的 PDF 基础知识
java·经验分享·pdf·软件工程·团队开发