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
东方佑7 小时前
基于FastAPI与LangChain的Excel智能数据分析API开发实践
langchain·excel·fastapi
许泽宇的技术分享8 小时前
当Excel遇上大语言模型:ExcelAgentTemplate架构深度剖析与实战指南
语言模型·架构·excel
gihigo19988 小时前
基于MATLAB的Excel文件批量读取与循环处理
matlab·excel
菠萝吹雪ing9 小时前
GUI 自动化与接口自动化:概念、差异与协同落地
运维·笔记·程序人生·自动化·接口测试·gui测试
远创智控研发五部11 小时前
Modbus TCP转EtherCAT通讯模块实现设备状态零延迟交互
自动化·数据采集·工业自动化·网关模块·ethercat通讯
weixin_3077791311 小时前
使用Python高效读取ZIP压缩文件中的UTF-8 JSON数据到Pandas和PySpark DataFrame
开发语言·python·算法·自动化·json
晚枫~13 小时前
零基础快速上手Playwright自动化测试
javascript·python·测试工具·c#·自动化
私域讲解师15 小时前
RPA是什么?企业如何借助有赞平台实现订单与会员自动化
自动化·rpa
学习的周周啊15 小时前
一人AI自动化开发体系(Cursor 驱动):从需求到上线的全流程闭环与实战清单
运维·人工智能·自动化·ai编程·全栈·devops·cursor
CodeCraft Studio19 小时前
Excel处理控件Aspose.Cells教程:使用 Python 将 HTML 转换为 Excel
python·html·excel·aspose·aspose.cells·html转excel