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_datai - 1j}\n{table_dataij}".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
IvanCodes12 分钟前
LangChain(04):Runnable 与 LCEL 的执行与组合机制
python·langchain·agent
特创数字科技22 分钟前
纯本地离线运行的文档脱敏工具(技术分享)
前端·驱动开发·python
东莞市云毅网络有限公司2 小时前
用 Playwright 搭一套问答平台引用监测的最小骨架
python·数据清洗·rag·企业知识库·文档解析
Thanks_ks2 小时前
【第 010 讲】全面掌握 Python 变量与常量:变量的定义与赋值 | 标识符与命名规范 | 变量的底层机制 | 常量与魔术数字
python·内存·变量·标识符·常量·赋值·命名规范
飞Link3 小时前
灵巧手是什么?从机械结构、驱动方式到控制原理,认识机器人的精细操作能力
人工智能·python·机器人
用户0332126663673 小时前
使用 Python 快速查找并高亮 PDF 中的文本
python
用户019027581613 小时前
用 pandas-ta 给 A 股算技术指标(配合 AlphaFeed)
python
2601_967980114 小时前
python+appium自动化测试如何控制App的启动和退出
android·自动化测试·python·appium·设备调试
开开心心就好4 小时前
两张表格数据对比工具,不用写函数也能查
算法·spring·智能手机·pdf·电脑·intellij-idea·音视频
威哥爱编程5 小时前
模拟面试智能体开发实战 12:每篇都能跑不等于接起来能跑,端到端联调收官把十一块拼图合成一个能用的智能体
python·agent·harmonyos