python提取pdf中的表格数据存进数据库

时间:2024-03-11 15:50:37

任务:将一个一千多页的pdf中的表格数据提取出来,拼接成html表格,以便在富文本中更好查看

pdf中的表格如图所示

 

 

步骤

1.其中有些表格是跨页的(即同一张表格不在同一个页面),像上面的第一个表格就是属于跨列,如果不做判断,获取到的原属于同一个表格的就会分开了,所以要把属于同一个表格的拼接起来。

2.所有表头都是相同的,所以处理时候遇到表头就把上个表格内容存进数据库。

3.因为我们想要的表格是从30页开始,最后一页结束,所以这两页要特殊处理。

4.还有个需求,把表格第二列"搜素打开菜单"中的内容提取出来存进数据库的另一个字段,如:搜索打开菜单:【有价卡换卡】中的有价卡换卡。

 

代码

代码如下:

因为我有django项目,为了方便点,所以我直接就在项目里写一个路由(部分代码省略)用orm操作数据库,也可以自己修改成用原生操作数据库的方法存进数据库。

#将pdf中的测试步骤表格数据提取出来存进数据库
import pdfplumber, time
from .models import ScenarioInfo   #这里是引入模型中的ScenarioInfo表
with pdfplumber.open(r\'C:\Users\hisoft\Desktop\(2019-09-25)_21460.pdf\') as pdf:
    m = 0  # 测试步骤表格的数量(按表头数算)
    s = \'<table><tbody>\'
    mjcd = \'\'  # 末级菜单
    for i in range(29, len(pdf.pages)):  # 从第30页开始获取表格数据
        page = pdf.pages[i]  # 设置操作页面
        n = 1  # 当前页的第n个表格
        for table in page.extract_tables():
            k = True
            for row in range(len(table)):
                if str(table[
                           row]) == r"[\'Step\', \'案例步骤\', \'预期结果\', \'测试信息\', \'耗时(秒\n)\', \'结果\']":  # 这是根据表格行内容判断是否是一个新的表格开头,因为表头内容都是固定的
                    if i == 29 and n == 1:  # 判断是否是第30页的第一个表格
                        pass
                    else:
                        s += \'</tbody></table>\'
                        print(\'i=\', i)
                        # print(\'s=\', s)
                        # print(\'mjcd=\', mjcd)
                        m += 1
                        ScenarioInfo.objects.create(test_steps=s, lrry=\'哈哈哈\', mjcd=mjcd)  #存进数据库,s是拼接好的表格字符串,富文本会识别表格标签显示
                        time.sleep(0.6)
                        mjcd = \'\'
                        s = \'<table><tbody>\'
                for j in range(len(table[row])):
                    if j == 0:  # 判断是否是当前行的第一列
                        s += \'<tr><td>\'
                    s += table[row][j]
                    if j == 1:  # 判断是否是当前行的第二列,将末级菜单取出来,若碰到有多个末级菜单的只取第一个
                        if k:
                            if len(table[row][j].split(\'搜索打开菜单:【\')) > 1:
                                mjcd = table[row][j].split(\'搜索打开菜单:【\')[1].split(\'\')[0]
                                k = False
                    if j == len(table[row]) - 1:  # 判断是否是当前行的最后一列
                        s += \'</td></tr>\'
                    else:
                        s += \'</td><td>\'
            if i == len(pdf.pages) - 1:  # 判断是否是最后一页
                if n == len(page.extract_tables()):  # 判断是否是最后一个表格
                    for row in range(len(table)):
                        if row == len(table) - 1:  # 判断是否是当前表格的最后一行
                            for j in range(len(table[row])):
                                if j == len(table[row]) - 1:  # 判断是否是当前行的最后一列
                                    s += \'</tbody></table>\'
                                    print(\'i=\', i)
                                    print(\'end_s=:\', s)
                                    m += 1
                                    print(\'m=\', m)
                                    print(\'mjcd=\', mjcd)
                                    ScenarioInfo.objects.create(test_steps=s, lrry=\'哈哈哈\', mjcd=mjcd)  #存进数据库
            n += 1