PDF信息批量提取至Excel
发布时间
阅读量：
阅读量
在学院做助管时，某老师布置了任务：将1000+个PDF文件的指定内容整理到一个Excel中。为了防止在逐个打开复制粘贴的过程中猝死，尝试编写代码简化此问题。实现的功能主要是将每个PDF的信息分别提取到Excel中的每一行。
需要的模块比较少。
import os
import pdfplumber #解析pdf文件，尤其带有表格的文件
from openpyxl import Workbook #读写Excel的文件提取PDF信息的函数。
def parse(pdf):
targets = [] #保存结果，
for page in pdf.pages:
words = page.extract_words(x_tolerance=5)
for word in words:
targets.append(word['text'])
return targets
#print(targets)导出至Excel的函数。
def save(targets, out_path, number, sheet_name='targets'):
ws.title = sheet_name
ws._current_row=number
ws.append(targets)
print(ws)
#ws.append(list(targets.values()))
wb.save(out_path)PDF遍历函数。
def pdfFilesPath(path):
'''
path: 目录文件夹地址
返回值：列表，pdf文件全路径
'''
filePaths = [] # 存储目录下的所有文件名，含路径
for root,dirs,files in os.walk(path):
for file in files:
filePaths.append(os.path.join(root,file))
return filePaths主函数。
# 主函数入口
if __name__ == "__main__":
i = 0
path = 'pdf地址'
pdfpath = pdfFilesPath(path)
wb = Workbook()
ws = wb.active
while i < pdf数量:
out_path = 'excel输出地址/文件名.xlsx'
pdf = pdfplumber.open(pdfpath[i])
number = i
targets = parse(pdf)
save(targets, out_path, number)
i += 1
print('运行结束！')完整代码：
import os
import pdfplumber #解析pdf文件，尤其带有表格的文件
from openpyxl import Workbook #读写Excel的文件
def parse(pdf):
targets = [] #保存结果，
for page in pdf.pages:
words = page.extract_words(x_tolerance=5)
for word in words:
targets.append(word['text'])
return targets
#print(targets)
# 保存
def save(targets, out_path, number, sheet_name='targets'):
wb = Workbook()
ws = wb.active
ws.title = sheet_name
ws._current_row=number
ws.append(targets)
print(ws)
#ws.append(list(targets.values()))
wb.save(out_path)
def pdfFilesPath(path):
'''
path: 目录文件夹地址
返回值：列表，pdf文件全路径
'''
filePaths = [] # 存储目录下的所有文件名，含路径
for root,dirs,files in os.walk(path):
for file in files:
filePaths.append(os.path.join(root,file))
return filePaths
# 主函数入口
if __name__ == "__main__":
i = 0
path = 'pdf地址'
pdfpath = pdfFilesPath(path)
while i < pdf数量:
out_path = 'excel输出地址/文件名.xlsx'
pdf = pdfplumber.open(pdfpath[i])
number = i
targets = parse(pdf)
save(targets, out_path, number)
i += 1
print('运行结束！')全部评论 (0)
还没有任何评论哟~