Python自动化办公:批量提取PDF中的表格到Excel

时间:2024-10-09 13:21:33

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。

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。

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。

# 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。