Python 快速合并PDF表格转换输出CSV文件
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
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。 如若内容造成侵权/违法违规/事实不符，请联系我的编程经验分享网邮箱：veading@qq.com进行投诉反馈，一经查实，立即删除！