基于tabula对pdf中多个excel进行识别并转换成word中的优化(五)

优化地方:处理合并的单元格内容。

1、修改为stream="complex"

2、增加换行符f"{table_data[i - 1][j]}\n{table_data[i][j]}".strip()

一、pdf中excel样例

二、完整代码

python 复制代码
import tabula
import numpy as np
from docx import Document
from docx.oxml.ns import qn
from docx.oxml import OxmlElement


# print("multitab:", tables)

# 创建一个新的Word文档
doc = Document()


def get_table_data(df_list):
    multi_table_data = []

    # 遍历每个表格
    for table_index, table in enumerate(df_list):
        table_data = []
        # 获取行数和列数
        rows, cols = table.shape
        heading_cells = []
        for col_num, column_name in enumerate(table.columns):
            heading_cells.append(column_name)
        table_data.append(heading_cells)
        for row_index, row in table.iterrows():
            table_data.append(row.tolist())
        multi_table_data.append(table_data)
    return multi_table_data


def handle_table(multitable_data):
    multi_table_data = []
    for table_data in multitable_data:
        for i in range(len(table_data) - 1, 0, -1):
            if table_data[i][0] in [None, np.nan, ""] or table_data[i][1] in [
                None,
                np.nan,
                "",
            ]:
                for j in range(len(table_data[i])):
                    if table_data[i][j] not in [
                        None,
                        np.nan,
                        "",
                    ]:  # 只有当单元格不为空时才合并
                        table_data[i - 1][
                            j
                        ] = f"{table_data[i - 1][j]}\n{table_data[i][j]}".strip()

                # 删除当前行
                del table_data[i]
        multi_table_data.append(table_data)

    return multi_table_data


def set_cell_borders(cell, border_color="000000", row_height=None):
    """
    设置单元格的边框颜色
    :param cell: 单元格对象
    :param border_color: 边框颜色,默认为黑色
    """
    tc = cell._element
    tcPr = tc.get_or_add_tcPr()
    tcBorders = OxmlElement("w:tcBorders")

    for border_name in ("top", "left", "bottom", "right"):
        border = OxmlElement(f"w:{border_name}")
        border.set(qn("w:val"), "single")
        border.set(qn("w:sz"), "4")  # 边框大小
        border.set(qn("w:space"), "0")
        border.set(qn("w:color"), border_color)
        tcBorders.append(border)

    tcPr.append(tcBorders)

    # 设置内容居中显示
    for paragraph in cell.paragraphs:
        for run in paragraph.runs:
            run.font.size = paragraph.style.font.size  # 保持字体大小一致
        paragraph.alignment = 1  # 1 表示居中对齐

    # 设置行高
    if row_height is not None:
        tr = cell._element.getparent()  # 获取行元素
        trPr = tr.get_or_add_trPr()
        trHeight = OxmlElement("w:trHeight")
        trHeight.set(qn("w:val"), str(row_height))
        trPr.append(trHeight)


def create_table_and_fill_data(tables_data, output_file):
    """
    在 Word 文档中插入表格并填充数据
    :param data: 表格数据
    :param output_file: 输出文件路径
    """
    # 创建一个新的 Word 文档
    doc = Document()
    for row_index, data in enumerate(tables_data):
        # 添加一个标题sss
        doc.add_heading("测试信息表" + str(row_index), level=1)

        # 创建表格
        table = doc.add_table(rows=len(data), cols=len(data[0]))

        # 填充表格数据
        for row_index, row_data in enumerate(data):
            for col_index, cell_text in enumerate(row_data):
                cell = table.cell(row_index, col_index)
                cell.text = str(cell_text)
                set_cell_borders(cell, border_color="FF0000", row_height=300)
    # 设置表格边框颜色
    # 保存 Word 文档
    doc.save(output_file)


# pdf_file = "multitab.pdf"
pdf_file = "excelcell.pdf"
output_file = "order0429multitab.docx"  # 输出的 Word 文件路径
# 读取PDF文件中的所有表格
tables = tabula.read_pdf(pdf_file, pages="all", multiple_tables=True, stream="complex")
multi_table_data = get_table_data(tables)
print("table_data:", multi_table_data)

new_multi_table_data = handle_table(multi_table_data)

# 替换 nan 值为空字符串
_new_multi_table_data = [
    [
        ["" if isinstance(item, float) and np.isnan(item) else item for item in row]
        for row in table
    ]
    for table in new_multi_table_data
]

print("new_multi_table_data:", _new_multi_table_data)
create_table_and_fill_data(_new_multi_table_data, output_file)

三、效果展示

相关推荐
Data-Miner2 分钟前
417页PDF | 2025年“人工智能+”行业标杆案例荟萃
人工智能·pdf
树獭叔叔9 分钟前
详解 Python 的异步上下文管理器语法
后端·python
leo__52010 分钟前
Java的NIO体系详解
java·python·nio
前端Hardy15 分钟前
Python是怎么将Vue项目打包成桌面端应用程序的?看这篇就够了
前端·javascript·python
java1234_小锋40 分钟前
【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts) 视频教程 - 微博舆情数据可视化分析-热词情感趋势柱状图
python·信息可视化·自然语言处理
麦兜*1 小时前
国产大模型平替方案:Spring Boot通义千问API集成指南
java·spring boot·后端·python·spring cloud·系统架构·springboot
liunim901 小时前
linux服务器上word转pdf后乱码问题
linux·服务器·pdf
菜包eo1 小时前
视频转二维码在教育场景中的深度应用
python·计算机视觉·音视频
天航星2 小时前
《Python基础》第3期:使用PyCharm编写Hello World
python·pycharm
都叫我大帅哥2 小时前
🌟 LangChain回调机制全解析:从入门到实战,打造你的AI智能小助手
python·langchain·ai编程