Python 办公小助手:读取 PDF 中表格并重命名

日常工作中,我们或多或少都会接触到 Excel 表格、Word 文档和 PDF 文件。偶尔来个处理文件的任务,几个快捷键操作一下——搞定!但是,偏偏有些烦人的工作,操作繁琐且数据复杂,更要命的是耗时间,吭哧吭哧一下午却难出几个成果。

此时如果我们掌握些 Python 编程的技巧,整理下文件处理的流程通过编码来实现,不仅省时省力省心,还可以精进编码技术。今天我们就通过一个 PDF 处理的实例来演示下 Python 助力办公的过程。

上周朋友提了个 PDF 处理的问题,要求如下:

Python 办公小助手:读取 PDF 中表格并重命名_第1张图片

大致整理下,这问题和把大象装冰箱一样要分三步:

  1. 读取 PDF 中的表格内容

  2. 在表格内容中提取特定数据

  3. 以特定数据对文件重命名

此时面向 Python 默默许愿:要是 Python 中有现成的模块可以直接读取 PDF 中的表格就好了!

心愿达成!确实有个 tabula 模块可以直接解析 PDF 中的表格:

tabula-py is a simple Python wrapper of tabula-java, which can read table of PDF.  You can read tables from PDF and convert into pandas's DataFrame.  tabula-py also enables you to convert a PDF file into CSV/TSV/JSON file.

https://pypi.org/project/tabula-py/

如上所述, tabula-py 是 tabula-java 的一个封装模块,可以将 PDF 中的表格数据转化为 pandas 的 DataFrame 格式。

注意,安装 tabula-py 时命令是 pip install tabula-py,但导入时是 import tabula。

此外,该模块由于是对 tabula-java 的封装依赖 java,需要安装 java 才能正常调用。并且由最终转化得到的数据格式也可以看出,此模块也依赖 pandas 和 numpy,需要自行导入。

详细链接:https://pypi.org/project/tabula-py/

安装好 tabula-py,我们也准备一份 PDF 文件(demo.pdf)用于演示代码:

Python 办公小助手:读取 PDF 中表格并重命名_第2张图片

现在任务更清晰了:读取 demo.pdf 文件中的 “批号(款号)”数据:

"批号(款号)":"DRDY173131441HHDKD QWOEP23"

最终将这一串批号数据当作名字给 PDF 重命名,生成 DRDY...EP23.pdf 文件。


如果你能坚持看到这里,我准备向你推荐下 jupyter notebook。因为它可以按代码块执行,上下代码块之间变量可以共用,同时会直接显示代码块运行结果。拿它用来做代码及运行结果展示非常好用——下文记录的过程就是通过它运行代码截图所得。

1. 首先,导入 tabula,使用其函数读取 PDF 中的表格数据:

Python 办公小助手:读取 PDF 中表格并重命名_第3张图片

由所得结果大致可以看出,我们想要的批号数据是在第二列。

2. 之前提到读到的 PDF 表格数据是 DataFrame 格式,可以用 help 函数确认下:

Python 办公小助手:读取 PDF 中表格并重命名_第4张图片

3. 由表格数据中提取其每一列的名称:

4. 根据目测分析,批号位于第二列,所以提取第二列名字:

5. 通过 DataFrame["列名称"] 来定位到该列具体数据:

Python 办公小助手:读取 PDF 中表格并重命名_第5张图片

6. 通过 for 循环逐一打印此列数据,提取其中“批号”数据:

Python 办公小助手:读取 PDF 中表格并重命名_第6张图片

这里直接采用的是 "批号" in 字符串 的语法,倘若数据字符串中含有“批号”二字就会被筛选出,最终我们也如愿拿到了“批号数据”并赋值给 target 变量。

7. 拿到了“批号”数据,我们只选取字母数字拼接的数据串。接下来采用正则表达式,按照批号数据格式中只包含大写字母、数字以及中间会夹杂空格,制定匹配模式进行匹配提取:

Python 办公小助手:读取 PDF 中表格并重命名_第7张图片

最终我们拿到了批号数据串赋值给 result 变量。

8. 最终我们利用 os 模块将文件夹内的 “demo.pdf” 重命名为 result 所代表的批号数据串.pdf :

注意,这里的 f"{变量}字符串内容" 是格式化字符串的形式。

至此,我们完成了对单份 PDF 处理的完整流程。接下来我们可以多试几份不同 PDF 寻找共同的提取批号数据的规律,将其整理成连贯、简洁的最终版代码:

#!/usr/bin/env python
# encoding: utf-8
# @Time : 2019-10-24 21:39


__author__ = 'Ted'


import tabula
import re
import os




# 将提取单一 PDF 文件内批号数据的过程定义成 get_target("pdf名称") 函数,最终函数将数据返回
def get_target(filename):
    df = tabula.read_pdf(filename)
    pattern = r'[A-Z0-9]+[\s]*[A-Z0-9]*'


    for item_sub in df[df.columns[1]]:
        if "批号" in str(item_sub):
            result = re.search(pattern,item_sub).group()
            return result
    return False




if __name__=="__main__":
    # 获取 PDF 所在文件夹
    folder = "test"
    # os 模块定位到该文件夹
    os.chdir(folder)
    # 获取文件夹内文件列表
    pdflist = os.listdir()
    # 打印该文件列表
    print(pdflist)


    # 对文件列表 for 循环处理
    for item in pdflist:
        # 如果该文件名称最后四位是 .pdf 或 .PDF,即我们要找的 PDF 文件
        if item[-4:] in [".pdf",".PDF"] :
            # 对该文件进行提取批号函数操作,将批号数据赋值给 new_name
            new_name = get_target(item)
            # 如果不为空,即获取到了批号数据
            if new_name:
                # 对文件进行重命名操作
                os.rename(item,f"{new_name}.pdf")
    print("重命名成功!")

如果我们有大量 PDF 文件都要提取文件内的批号数据进行重命名,可以将其放到同一个文件夹中,然后只要在最终代码中修改 folder = "文件夹名称",运行代码等待几秒,便可微微一笑任务搞定了。

以上,感谢阅读~

你可能感兴趣的:(Python 办公小助手:读取 PDF 中表格并重命名)