Python私活300元：提取PDF的Excel表格
蚂蚁学Python
共 14976字，需浏览 30分钟
·
2022-10-21 12:14
在群里看到老师发这个需求时，我之前就写过提取pdf的单子，所以没有犹豫，立马接了下来
一 需求分析
单单提取pdf中的表格数据还是很简单的，使用pdfplumber这个库，就可以很简单的实现，提取后保存到excel中，再使用pandas处理数据，最后通过openpyxl设置表格样式，难点在于人民币金额自动转大写，这个我开始也没有思路，最后在度娘那找到了解决方案
二 解决步骤
实现人民币金额自动转大写
import pdfplumber,openpyxl
import pandas as pd
from pathlib import Path
from openpyxl import load_workbook
from openpyxl.styles import Font, PatternFill, Border, Side, Alignment
def numtomoney(money):
cnNums = ["零","壹","贰","叁","肆","伍","陆","柒","捌","玖"] #汉字的数字
cnIntRadice = ["", "拾", "佰", "仟"] #基本单位
cnIntUnits = ["", "万", "亿", "兆"] #对应整数部分扩展单位
cnDecUnits = ["角", "分", "毫", "厘"] #对应小数部分单位
cnInteger = "整" #整数金额时后面跟的字符
cnIntLast = "元" #整型完以后的单位
maxNum = 999999999999999.9999 #最大处理的数字
# IntegerNum 金额整数部分
# DecimalNum 金额小数部分
ChineseStr = "" #输出的中文金额字符串
parts =[] #分离金额后用的数组，预定义
Symbol = "" #正负值标记
if money == "":
return ""
money = float(money)
if money >= maxNum:
return "超出最大范围"
if money == 0:
ChineseStr = cnNums[0] + cnIntLast + cnInteger
return ChineseStr
if money < 0:
money = -money
Symbol = "负 "
money = str(money) #转换为字符串
if money.find(".") == -1:
IntegerNum = money
DecimalNum = ""
else:
parts = money.split(".")
IntegerNum = parts[0]
DecimalNum = parts[1][0:4]
if int(IntegerNum) > 0:#获取整型部分转换
zeroCount = 0
IntLen = len(IntegerNum)
for i in range(0,IntLen):
n = IntegerNum[i]#整数部分字符串的第i个字符
p = IntLen - i - 1
q = p // 4#地板除，p<4时，为0，4>p<8时，等于1，等于8时，等于2
m = p % 4#求余数，p<4时，为p，=4时为0
if n == "0":
zeroCount +=1
else:
if zeroCount > 0:
ChineseStr += cnNums[0]
zeroCount = 0 #归零
ChineseStr += cnNums[int(n)] + cnIntRadice[m]
if m == 0 and zeroCount < 4:
ChineseStr += cnIntUnits[q]
ChineseStr += cnIntLast#整型部分处理完毕
if DecimalNum != "":#小数部分
decLen = len(DecimalNum)
for i in range(0,decLen):
n = DecimalNum[i]
if n != "0":
ChineseStr += cnNums[int(n)] + cnDecUnits[i]
if ChineseStr == "":
ChineseStr += cnNums[0] + cnIntLast + cnInteger
elif DecimalNum == "0":
ChineseStr += cnInteger
ChineseStr = Symbol + ChineseStr
return ChineseStr
numtomoney(5648.89)
数据提取和数据处理部分
def get_data(file_path):
pdf_path=Path(file_path)
pdf_files=pdf_path.glob('*.pdf')
for pdf_file in pdf_files:
df_list=[]
pdf = pdfplumber.open(path_or_fp=pdf_file)
for page in pdf.pages:
table=page.extract_table()#提取page对象中的表格数据为列表
df=pd.DataFrame(table)#把列表数据存入DataFrame中
df_list.append(df)
df_total=pd.concat(df_list)#合并表格
df_total=df_total.reset_index(drop=True)#重置索引,并删除原索引
df_total.columns=df_total.iloc[0,:].tolist()#用第一行作为表头
df_total.drop(index=0,inplace=True)#删除第一行
df_total=df_total.reindex(columns=df_total.columns[[0,1,3,2,6,5,7,4]])#调整列顺序
df_total.drop(columns=['配置要求'],inplace=True)#删除配置要求列
df_total.columns=['序号','名称','规格及型号','品牌','单位','数量','单价(元)']
df_total['数量']=pd.to_numeric(df_total['数量'],errors='coerce')
df_total['单价(元)']=pd.to_numeric(df_total['单价(元)'],errors='coerce')
df_total['合价(元)']=df_total['数量']*df_total['单价(元)']
df_total['存放位置']=pd.NA
df_total.drop(index=df_total.index.tolist()[-2:],inplace=True)#删除最后两行数据
df_total=df_total.applymap(lambda x : x.replace('\n','') if isinstance(x,str) else x)#去除单元格中的换行
total=df_total['合价(元)'].sum(axis=0)
money=numtomoney(total)
row_num=df_total.shape[0]
df_total.loc[row_num+2,'序号']=f'{money}（￥{"%.2f" % total}）'#2位小数
df_total.loc[row_num+3,'序号']='采购申请人签字：'
df_total.loc[row_num+4,'序号']='实训室管理员签字：'
p=Path(Path.cwd())
p1=p/'已提取文件'
if not p1.exists():#判断文件夹是否存在，不存在就新建文件夹
p1.mkdir(exist_ok=True)
df_total.to_excel(f'./已提取文件/{pdf_file.stem}.xlsx',index=False)
设置表格样式
def modify_style(wb,first_row_value,second_row_value,place,file_name):
'''
first_row_value 第一行标题内容
second_row_value 第二行标题内容
place,file 表格中'存放位置'列内容
file_name 最终保存的文件名称
'''
for sheet_name in wb.sheetnames:
ws = wb[sheet_name]
ws.insert_rows(1,2)#在第一行前面插入2行空行
alignment=Alignment(horizontal="center", vertical="center",wrap_text=True)
ws['A1'].value=first_row_value
ws['A1'].font=Font(name='宋体', size=16, bold=True, color='FF000000')
ws['A1'].alignment=alignment
ws['A2'].value=second_row_value
ws['A2'].font=Font(name='宋体', size=11, bold=True, color='FF000000')
ws['A2'].alignment=alignment
ws.merge_cells('A1:I1')#合并单元格
ws.merge_cells('A2:I2')
maxrows = ws.max_row # 获取最大行
ws.column_dimensions["B"].width = 24 # 设置B列宽度为15
for col in ['C','D','G','H']:
ws.column_dimensions[col].width = 12 # 批量设置指定列宽度为12
for col in ['A','E','F','I']:
ws.column_dimensions[col].width = 4.5 # 批量设置指定列宽度为4.5
for i in range(3,maxrows+1):
cells = ws[i]
font = Font(name='宋体', size=11, bold=False, italic=False, color='FF000000')
alignment = Alignment(horizontal="center", vertical="center",wrap_text=True)
# 先定好side的格式
side_left = Side(style='thin', color='FF000000')
side_right = Side(style='thin', color='FF000000')
# 代入边线中
border = Border(left=side_left, right=side_right, top=side_right, bottom=side_left)
for cell in cells:
cell.font = font
cell.alignment = alignment
cell.border = border
ws['A1'].font=Font(size=16, bold=True)
ws['A2'].font=Font(bold=True)
ws['A2'].alignment= Alignment(horizontal="center", vertical="center",wrap_text=True)
ws.row_dimensions[2].height=32#设置第二行行高
ws.row_dimensions[maxrows-1].height=28#设置倒数第二行行高
ws.row_dimensions[maxrows].height=28#设置倒数第一行行高
for i in range(3):
ws.merge_cells(f'A{maxrows-2+i}:H{maxrows-2+i}')
ws[f'A{maxrows-2+i}'].alignment=Alignment(horizontal="left", vertical="center",wrap_text=True)
ws['I4'].value=place
for col in ['G','H']:#设置金钱符号
for i in range(4,maxrows+1):
ws[f'{col}{i}'].number_format='￥#,##0.00;￥-#,##0.00'
ws.merge_cells(f'I4:I{maxrows}')
wb.save('已完成-'+f'{file_name}.xlsx')
file_path=Path(Path.cwd()/'已提取文件')
files=file_path.glob('*.xlsx')
for file in files:
wb=load_workbook(file)
file_name=file.stem
modify_style(wb,'绍兴市柯桥区职业教育中心耗材入库单','项目名称：柯桥区职业教育中心建筑专业实训耗材采购项目\n入库时间：2022年9月29日 ','1号实训楼2楼库房',file_name)
三 最终结果
四 技术总结
代码编写过程遇到一个大坑，是表格合并时，index没有重置，导致表格有多个index为0和1的行，再删除第一行和合同价格汇总行时，会误删需要的行，这里推荐下老师的pandas课程，里面有很多干货，报名老师的课程，让我学到了很多技术，解决了许多日常工作中的问题，大大提高我的工作效率，让我的工作也轻松了不少，更重要的是，有了个门做兼职的技术！
五 答案地址
在本公众号《蚂蚁学Python》后台回复: 1015PDF代码
可以得到数据素材和代码答案
今晚来蚂蚁老师抖音直播间，Python带副业全套餐有优惠！！！
评论