python生成pdf报表,python输出pdf文件

　　大家好，从PDF中提取信息是办公场景中经常用到的操作，也是读者经常在后台询问的操作。

　　内容少的话我们可以手动复制粘贴，但是如果需要批量提取，可以考虑使用Python。之前转载过相关文章，提到主要是用pdfplumber库。今天，我们再举一个例子。

　　通常PDF中的表格分为图片型和文本型。文本分为简单类型和复杂类型。本文将举例说明这三个部分。

　　选择一个简单的表格。

　　选择一个更复杂的表。

　　选择图片表。

　　使用的模块主要包括

　　pdf木材

　　熊猫

　　宇宙魔方

　　太平航运

　　本文出现的PDF资料是从巨潮资讯官网下载的公开PDF文件。主题是关于理财的，相关发布信息如下：

　　一共6页，后面会有例子展示。

　　一、简单文本类型数据简单文本类型表格是指一个PDF页面中只有一个表格，表格内容完整且可复制。例如，我们选择了PDF中包含以下内容的第四页：

　　如您所见，该页面中只有一个表。我们先把这个表写入Excel，编码。

　　importpdfplumeraprimportpandasaspdpdf=pr . open(关于用自有资金购买银行理财产品的进展公告. pdf )PS=pdf . page pg=PS[3]tables=pg . extract _ tables()table=tables[0]print(table)df=PD。DataFrame(table[1:]，columns=table[0])for iinrange(len(table)):for jinrange(len(table[I])):table[I][j]=table[I][j]。replace(\n ，)DF1=pd.dataframe (table [1:]，columns=table[0])DF1 . to _ excel( page 2 . xlsx )获取以下结果：

　　与PDF上的原表相比，内容完全一致，唯一不同的是主营业务内容较多，导致显示不完整。现在我们来谈谈这段代码。

　　首先导入要使用的两个库。在pdfplumber中，open()函数用于打开PDF文件，代码使用相对路径。打开()。页数是PDF的页数，打印的ps值可通过以下方式获得

　　Pg=ps[3]代表我们选择的第三页。

　　Pg.extract_tables():可以输出页面中的所有表格，并返回一个嵌套列表，结构层次为表格行单元格。此时，页面上的整个表被放入一个大列表中，原始表中的行组成大列表中的每个子列表。如果您需要输出一个外部列表元素，您将得到一个由原始表的同一行中的元素组成的列表。

　　同样，pg.extract_table()返回多个独立的列表，结构级别为rowcell。如果页面中有多个行数相同的表格，默认输出最上面的表格；否则，将只输出行数最多的表。此时，表格的每一行都被视为一个单独的列表，列表中的每个元素都是原始表格中每个单元格的内容。

　　因为这个页面中只有一个表格，所以我们需要tables集合中的第一个元素。按如下方式打印表格值：

　　大家可以看到，上面有\n这种不必要的字符，它的作用其实就是换行，只是我们在Excel中不需要。因此，有必要消除它，并用代码中的for循环和replace函数替换带有空格的控件(即delete \n)。观察表是一个包含两个元素的列表。

　　最后df1=pd.dataframe (table [1:]，columns=table [0])。这段代码的功能是创建一个数据框，并将内容放在相应的行中。

　　这段代码只是将数据存储到Excel中。如果需要进一步调整样式，可以使用openpyxl等模块进行修改。具体可参考之前的文章Python操作Excel。

　　二。复杂表格提取复杂表格是指表格样式不统一或者一页有多个表格。以PDF的第五页为例：

　　您可以看到这个页面中有两个大表，如果您仔细观察，实际上有四个表。根据简单的表式提取方法，结果如下：

　　如你所见，只是将全部表格文本提取出来，但实际上第一个表格又细分为两个表，所以我们需要进一步修改并再次拆分此表！例如，提取代码的上半部分，如下所示：

　　importpdfplumeraprimportpandasaspdpdf=pr . open(关于用自有资金购买银行理财产品的进展公告. pdf )PS=pdf . page pg=PS[4]tables=pg . extract _ tables()table=tables[0]print(table)df=PD。DataFrame(table[1:]，columns=table[0])for iinrange(len(table)):for jinrange(len(table[I])):table[I][j]=table[I][j]。替换为( \n ，)DF1=pd.dataframe (table [1:]，columns=table[0])DF2=DF1 . iloc[2:]DF2=DF2 . rename(columns={ 2019年12月31日: 2019年1月-12月9月30日: 2020年1月-9月 }) DF2=DF2.loc [3:] DF1=DF1.loc [:1，] WithPD。Excel Writer( Company impact . xlsx )ASI:df1 . to _ Excel Header=True)#放入资产数据df2.to_excel(i，sheet_name= business ，index=False，Header=True)#放入业务数据此代码是在简单表格提取的基础上修改的。第14行代码的作用是提取另一个头的信息，赋给df2，然后重命名df2(使用rename函数

　　打印df2显示列名和第一行信息是重复的，因此我们需要重复前面的步骤，并使用loc()函数来剪切数据帧。

　　注意我们用的是稀有的熊猫。此处为循环设置了Excelwriter函数。这是为了避免直接写入造成的最后数据覆盖原始数据。如果您感兴趣，可以不使用withopen方法来尝试结果。最终结果如下：

　　正如您所看到的，这个表现在分别显示在两个表中。当然，也可以放在一个表格里对比。

　　说到底，复杂表单的主观性很大，需要根据不同情况进行不同处理，很难写出一劳永逸的解决方案！

　　第三，最后也是最难处理的是图片形式。人们经常问如何从图片PDF中提取表格/文本等信息。

　　其实本质上就是提取图片，之后如何进一步处理图片，提取信息，和Python提取PDF表单这个主题关系不大！

　　这里也简单介绍一下，就是先提取图片再OCR识别提取表格。在Python中，可以使用Tesseract库，首先需要安装pip。

　　Pipinstallpytesseract在Python中安装了这个库之后，我们需要安装exe文件，以便后面的代码使用。

　　3358 digi . bib . uni-mannheim . de/tessera CT/tessera CT-ocr-setup-4 . 00 . 00 dev . exe可以下载安装。注意，目前如果按照正常步骤，是不会识别中文的，所以需要安装简体中文语言包。在3359github.com/Tesseract-OCR/tessdata/find/master/chi _ sim . trained data下载地址，放在tesseract-ocr的tessdata目录下。

　　接下来，我们使用一个简单的基于图像的pdf，如下所示：

　　第一步是提取图片。这里使用GUI办公自动化系列中的图片提取软件对PDF中的图片进行提取，得到如下图片：

　　然后执行以下代码来识别图片内容：

　　importpytesserac from pilimportimageimportpandasaspdpytessract . pytesserac . tesserac t _ cmd= C://program files(x86)/tesserac t-OCR/tes act . exe tiqu=pytesserac t . image _ to _ string(image . open( picture-type . jpg ))print(tiqu)tiqu=tiqu . split( \ N )while intiqu:#不能使用forticu . remove()first=tiqu[:6]second=tiquxlsx)#转换为xlsx文件。我们的想法是用Tesseract-OCR解析图片，得到一个字符串，然后对字符串应用split函数，把字符串变成列表，同时删除\ n。

　　然后我们可以发现我们的列表中还有空格。这时，我们使用while循环删除这些空字符。注意这里不能使用for循环，因为每删除一个，列表中的元素就前进一个，这样会导致删除不完全。最后，pandas用于将这些转换成数据帧。最终结果如下：

　　如你所见，图片表的内容经过了完美的分析和处理！当然，之所以能轻松搞定，也和这个表格的足够简单有关，在真实场景中的图片可能会有更复杂的干扰因素，而这需要大家在处理的同时，自己找到最合适的方式！

　　如果你喜欢这篇文章，可以给我一系列评论(喜欢再转发)。如果你有想看的文章题目，可以给我留言。想快速推进Python办公自动化，可以点击阅读原文~

　　-END-

　　文末推荐一本《用Python轻松处理Excel数据》的书，是针对非IT领域上班族的Python数据处理基础指南。为了让读者在学习过程中对Python的知识点有更深的印象，本书采用边学边用的写法：在介绍知识点的同时，将知识点及时穿插到案例应用中。主要内容包括Python基础、Python第三方库、Python自定义函数、常用高阶函数应用、openpyxl库以及Python和Excel的综合应用案例等。？

　　按照惯例，如果你喜欢，你可以获得2份评论，我将从另外3个用户那里发出5份高质量的消息。只有没有收到书礼的粉丝才能参与，没有意义的留言不会被选中。一旦发现他们，将永久取消资格(有先例)，直到下周二上午9点。

　　点击阅读原文

　　查看早起Python的办公自动化一对一指导！

　　精选十大案例，手把手带你复现 + 需求解决 + 答疑？???

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。