使用Python提取PDF表格到Excel文件的操作步骤_Python

引言

在对pdf中的表格进行再利用时，除了直接将pdf文档转换为excel文件，我们还可以提取pdf文档中的表格数据并写入excel工作表。这样做可以避免一些不必要的文本和格式带来的干扰，获得更易于分析和处理的表格数据，并方便进行更多的格式设置。利用python，我们可以实现对pdf表格数据的批量提取，并写入excel工作表中，实现高效的提取写入操作。本文将介绍如何使用python提取pdf文档中的表格并写入excel文件中。

本文所使用的方法需要用到spire.pdf for python和spire.xls for python，pypi：pip install spire.pdf, spire.xls。

python提取pdf表格数据写入excel工作表

提取表格需要用到spire.pdf for python中的pdftableextractor类。我们可以使用载入的pdf文档创建一个pdftableextractor对象，然后使用pdftableextractor.extracttable()方法直接提取指定页面的所有表格返回为列表。然后，我们可以使用pdftable.gettext()来获取表格指定单元格的文本，再使用spire.xls for python新建工作表并写入读取的数据到工作表中的相应位置。最后，对工作表进行合适的格式设置，即可完成pdf表格数据到excel工作表的提取。

以下是详细操作步骤：

导入所需模块。
创建 pdfdocument 对象，并使用 pdfdocument.loadfromfile() 方法加载pdf文档。
创建一个 workbook 对象，并使用 workbook.worksheets.clear() 方法清除默认工作表。
为加载的pdf文档创建一个 pdftableextractor 对象。
使用 pdftableextractor.extracttable() 方法提取文档中每一页的表格。
遍历每个表格
- 使用 workbook.worksheets.add() 方法为每个表格在工作簿中添加一个工作表。
- 使用 table.gettext() 方法遍历各行各列以获取单元格值，并通过 worksheet.range[].text 属性将其插入工作表的相应位置。
- 设置单元格格式。
使用 workbook.savetofile() 方法保存工作簿。
释放资源。

代码示例

from spire.pdf import *
from spire.xls import *

# 创建一个 pdfdocument 对象
pdf = pdfdocument()
# 加载一个 pdf 文档
pdf.loadfromfile("示例.pdf")

# 创建一个 workbook 对象
workbook = workbook()
# 清除默认工作表
workbook.worksheets.clear()

# 创建一个 pdftableextractor 对象
extractor = pdftableextractor(pdf)

# 从每个 pdf 页面提取表格
for pageindex in range(pdf.pages.count):
    tables = extractor.extracttable(pageindex)
    # 如果有多个表格则迭代
    if tables is not none:
        for tableindex in range(len(tables)):
            # 获取一个表格
            table = tables[tableindex]
            # 为该表格创建一个工作表
            sheet = workbook.worksheets.add(f"page{pageindex + 1}-table{tableindex + 1}")
            # 迭代表格的行和列
            for rowindex in range(table.getrowcount()):
                for colindex in range(table.getcolumncount()):
                    # 获取单元格的值
                    text = table.gettext(rowindex, colindex)
                    celltext = text.replace("\n", "")
                    # 将单元格的值写入工作表中的相应单元格
                    sheet.range[rowindex + 1, colindex + 1].text = celltext
            # 设置表头行样式
            sheet.rows.get_item(0).style.font.fontname = "harmonyos sans sc"
            sheet.rows.get_item(0).style.font.size = 12
            sheet.rows.get_item(0).style.font.isbold = true
            sheet.rows.get_item(0).style.horizontalalignment = horizontalaligntype.center
            # 设置数据行样式
            for i in range(1, sheet.rows.count):
                sheet.rows.get_item(i).style.font.fontname = "harmonyos sans sc"
                sheet.rows.get_item(i).style.font.size = 12
                sheet.rows.get_item(i).style.horizontalalignment = horizontalaligntype.left
            # 自动调整列宽
            for j in range(1, sheet.columns.count):
                sheet.autofitcolumn(j)

# 保存工作簿
workbook.savetofile("output/pdftabletoexcel.xlsx", fileformat.version2016)
workbook.dispose()
pdf.close()

结果