首页 > Python资料 博客日记
Python 快速合并PDF表格转换输出CSV文件
2024-03-08 19:00:05Python资料围观199次
单位的刷脸考勤机后台系统做得比较差,只能导出每个部门的出勤统计表pdf,格式如下:
近期领导要看所有部门的考勤数据,于是动手快速写了个合并pdf并输出csv文件的脚本。
安装模块
pypdf2,pdfplumber,前者用于合并,后者用于读表格。
C:\>pip install pypdf2
Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
Collecting pypdf2
Using cached https://pypi.tuna.tsinghua.edu.cn/packages/8e/5e/c86a5643653825d3c913719e788e41386bee415c2b87b4f955432f2de6b2/pypdf2-3.0.1-py3-none-any.whl (232 kB)
Installing collected packages: pypdf2
Successfully installed pypdf2-3.0.1
C:\>pip install pdfplumber
Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
Collecting pdfplumber
Using cached https://pypi.tuna.tsinghua.edu.cn/packages/f8/d3/f58c2d5d86a585e438c6708f568eca79e7c4e6ee3d5210cf8b31d38cb021/pdfplumber-0.10.3-py3-none-any.whl (48 kB)
Requirement already satisfied: pdfminer.six==20221105 in d:\program files\python\lib\site-packages (from pdfplumber) (20221105)
Requirement already satisfied: Pillow>=9.1 in d:\program files\python\lib\site-packages (from pdfplumber) (10.2.0)
Requirement already satisfied: pypdfium2>=4.18.0 in d:\program files\python\lib\site-packages (from pdfplumber) (4.25.0)
Requirement already satisfied: charset-normalizer>=2.0.0 in d:\program files\python\lib\site-packages (from pdfminer.six==20221105->pdfplumber) (3.3.2)
Requirement already satisfied: cryptography>=36.0.0 in d:\program files\python\lib\site-packages (from pdfminer.six==20221105->pdfplumber) (41.0.7)
Requirement already satisfied: cffi>=1.12 in d:\program files\python\lib\site-packages (from cryptography>=36.0.0->pdfminer.six==20221105->pdfplumber) (1.16.0)
Requirement already satisfied: pycparser in d:\program files\python\lib\site-packages (from cffi>=1.12->cryptography>=36.0.0->pdfminer.six==20221105->pdfplumber) (2.21)
Installing collected packages: pdfplumber
Successfully installed pdfplumber-0.10.3
读取、合并文件
PyPDF2
PyPDF2 用于对PDF文件的分离、合并、裁剪、转换、加密、解密等操作。
读取和合并pdf文件正好以前写过,主要代码如下:
with codecs.open(file_path, 'rb', encoding='utf-16') as file:
pdf_reader = PyPDF2.PdfReader(file)
text = ''
for page_num in range(len(pdf_reader.pages)):
tt = pdf_reader.pages[page_num].extract_text()
print(tt)
text += tt
......
pdfMerge = PyPDF2.PdfMerger()
try:
for pdf in pdfLists:
pdfMerge.append(pdf, import_outline=False)
pdfMerge.write(pdfFileN)
pdfMerge.close
print("PDF files merged successfully!")
......
表格读取
pdfplumber
pdfplumber 用于读取PDF文件文本和表格提取,功能比较均衡。
优点:
- 每页单独对象,支持文本、表格数据的抽取(亮点)
- 文本抽取:保留了文本的格式,比如换行位置有空格,可以通过这个特点将一段的文本整合
- 表格数据抽取:不会被换行数据所干扰
缺点:
- 进行文本抽取时,如果一页有文本和表格,那么抽取的文本数据也会包括表格数据
- 对于有合并单元格的表格,无法还原表格结构
- 表格数据不能100%保证和原数据一致,可能缺少几个字,可能识别出错等
- 对于无边框的表格,处理效果很差
- 流程图和时序图会对处理产生严重影响
读取代码如下:
pdf = pdfplumber.open(pdfFileN)
for page in pdf.pages:
tables = page.extract_tables(table_settings = {})
for table in tables:
print(table)
遍历得到的是一个个二维列表,可以根据需要自己清洗数据。
程序界面
easygui
就用这个库,弄2个对话框简单了事:
选择一个文件夹,把其下的所有pdf文件合并,然后转换输出csv文件:
输出的文件格式如下:
更多easygui内容请见:
Python 简易图形界面库easygui 对话框大全-CSDN博客文章浏览阅读4.2k次,点赞117次,收藏96次。提供了“继续”和“取消”选项,并返回True(表示继续)或False(表示取消)。", title="结束", ok_button="干得好!easygui.ccbox(msg, title, choices=('退出[E]','取消[C]'))选择“Chocolate”后点OK就把所选择的项赋值给变量choice,点Cancel则返回None。如果选择了第一个按钮,则返回“True”。提供了Yes和No的选择,并返回“True”或“False”。在列表框中提供了可供选择的由元组或列表指定的选项列表。https://blog.csdn.net/boysoft2002/article/details/135179267Python 简易图形界面库easygui 对话框大全(续)-CSDN博客文章浏览阅读1.2k次,点赞67次,收藏58次。Python 简易图形界面库easygui 对话框大全-CSDN博客提供了“继续”和“取消”选项,并返回True(表示继续)或False(表示取消)。", title="结束", ok_button="干得好!easygui.ccbox(msg, title, choices=('退出[E]','取消[C]'))选择“Chocolate”后点OK就把所选择的项赋值给变量choice,点Cancel则返回None。如果选择了第一个按钮,则返回“True”。https://blog.csdn.net/boysoft2002/article/details/135297373以上几样库拼凑在一起,就可以完成合并和转换pdf表格,完整代码如下:
import sys,os
import datetime as dt
import PyPDF2,pdfplumber
import easygui as eg
def get_pdf_text(file_path):
with codecs.open(file_path, 'rb', encoding='utf-16') as file:
pdf_reader = PyPDF2.PdfReader(file)
text = ''
for page_num in range(len(pdf_reader.pages)):
tt = pdf_reader.pages[page_num].extract_text()
print(tt)
text += tt
return text
def strDateTime(diff=0):
now = dt.datetime.now()
future_time = now + dt.timedelta(days=diff)
return f'{future_time.year:04}{future_time.month:02}{future_time.day:02}_{future_time.hour:02}{future_time.minute:02}{future_time.second:02}'
txtStart = "PDFmerged_"
try:
Dir = eg.diropenbox(msg=None, title=None, default='./')
pdfLists = [f for f in os.listdir(Dir) if f.endswith('.pdf') and not f.startswith(txtStart)]
pdfFileN = Dir + '\\' + txtStart + strDateTime() + ".pdf"
except:
print('取消退出!')
sys.exit(0)
if len(pdfLists)==0:
eg.msgbox("此文件夹没有Pdf文件!", title="结束", ok_button="Fail")
sys.exit(0)
else:
pdfMerge = PyPDF2.PdfMerger()
try:
for pdf in pdfLists:
pdfMerge.append(pdf, import_outline=False)
pdfMerge.write(pdfFileN)
pdfMerge.close
print("PDF files merged successfully!")
except:
eg.msgbox("合并pdf失败!", title="结束", ok_button="Fail")
sys.exit(0)
pdf = pdfplumber.open(pdfFileN)
dct = dict()
for page in pdf.pages:
tables = page.extract_tables(table_settings = {})
for table in tables:
for lst in table:
tmp = lst[1:]
tmp = [tmp[0]]+tmp[3:8]+[tmp[-1]]
try:
tmp[0] = tmp[0].replace('\n','')
tmp[0] = tmp[0].split('/')
tmp[0] = tmp[0][-1]
except:
pass
if lst[0]=='时间':
dct[lst[0]] = tmp[0]
else:
dct[','.join([lst[0],tmp[0] if tmp[0] else ''])] = ','.join(tmp[1:]) if all(tmp[1:]) else ''
pdf.close()
try:os.remove(pdfFileN)
except:pass
try:
fn = "考勤表(" + dct['时间'] + ")"+strDateTime()+".csv"
except:
fn = "考勤表"+strDateTime()+".csv"
try:
with open(fn, 'w') as f:
for k,v in dct.items():
print(','.join([k,v]), file=f)
eg.msgbox(f"考勤表保存成功!\n\n\n\t文件名:{fn}", title="结束", ok_button="Good!")
print(f"CSV file written successfully! by HannYang {strDateTime()}")
except:
eg.msgbox("保存csv文件失败!", title="结束", ok_button="Fail")
后话
如果要直接输出Excel表格,则需要另安装和导入xlwt模块。实现的代码大致如下:
myxl = xlwt.Workbook()
style = xlwt.easyxf('align: wrap yes; align: horiz center; font: bold yes;borders:top thin; borders:bottom thin; borders:left thin; borders:right thin;')
sheet = myxl.add_sheet('考勤表')
wcol = [20,40,50,75,40,75]
for i in range(6):
sheet.col(i).width = wcol[i]*80
sheet.write_merge(0,0,0,8,'出勤统计报表',style)
style = xlwt.easyxf('borders:top thin; borders:bottom thin; borders:left thin; borders:right thin;')
sheet.write_merge(1,1,0,1,'单位(盖章):',style)
sheet.write_merge(2,2,0,1,'*经办人:',style)
sheet.write(1,3,'填表日期:',style)
sheet.write_merge(1,1,4,8,strToday(),style)
sheet.write(2,3,'*联系电话:',style)
sheet.write(2,2,adminName,style)
sheet.write_merge(2,2,4,8,adminMobil,style)
for i,t in enumerate(head.strip().split(',')):
sheet.write(3,i,t,style)
with open('考勤表.csv', 'r') as f:
for i,row in enumerate(csv.reader(f)):
if i==0:continue
for j,col in enumerate(row):
sheet.write(3+i,j,col,style)
excelfile = 'Output_'+strDateTime()+'('+defaultValue+').xls'
myxl.save(excelfile)
另外不赶时间的话,还可以用PySimpleGUI库写个带漂亮gui界面的程序,具体操作方法请参见:
目录
标签:
相关文章
最新发布
- 光流法结合深度学习神经网络的原理及应用(完整代码都有Python opencv)
- Python 图像处理进阶:特征提取与图像分类
- 大数据可视化分析-基于python的电影数据分析及可视化系统_9532dr50
- 【Python】入门(运算、输出、数据类型)
- 【Python】第一弹---解锁编程新世界:深入理解计算机基础与Python入门指南
- 华为OD机试E卷 --第k个排列 --24年OD统一考试(Java & JS & Python & C & C++)
- Python已安装包在import时报错未找到的解决方法
- 【Python】自动化神器PyAutoGUI —告别手动操作,一键模拟鼠标键盘,玩转微信及各种软件自动化
- Pycharm连接SQL Sever(详细教程)
- Python编程练习题及解析(49题)
点击排行
- 版本匹配指南:Numpy版本和Python版本的对应关系
- 版本匹配指南:PyTorch版本、torchvision 版本和Python版本的对应关系
- Python 可视化 web 神器:streamlit、Gradio、dash、nicegui;低代码 Python Web 框架:PyWebIO
- 相关性分析——Pearson相关系数+热力图(附data和Python完整代码)
- Anaconda版本和Python版本对应关系(持续更新...)
- Python与PyTorch的版本对应
- Windows上安装 Python 环境并配置环境变量 (超详细教程)
- Python pyinstaller打包exe最完整教程