使用 Python 自动将 PDF 数据录入 Excel
今天我将向您展示如何自动将PDF数据导入Excel。这可以为每天进行此类操作的每个人节省大量时间。
这是我们的测试数据：
让我们直接来看代码吧！
首先我们需要导入依赖项
from tika import parser
import pprint
from collections import defaultdict
import re
import pandas as pd
之后，我们需要定义 PrettyPrinter 函数，获取 PDF 文件的内容并将其转换为列表：
pp = pprint.PrettyPrinter(indent=3)
parsedPDF = parser.from_file("final-test.pdf")
content = parsedPDF['content']
contentlist = content.split('\n')
删除拆分后生成的列表中的空字符串。
contentlist = list(filter(lambda a: a != '', contentlist))
创建一个迭代器和其他标志，我们将在算法中使用它们。该迭代器用于遍历 PDF 的每一行内容：
iterateContent = iter(contentlist)
抓取数据的字典占位符
data = defaultdict(dict)
我们的计数器用来统计我们获得了多少块积木。
cntr = 0
指示我们当前位于特定数据块的哪一行。
line = 1
该算法将使用标志 cntr 和 line 来判断我们是在新区块还是现有区块中。
while True:
try:
string = next(iterateContent)
except StopIteration:
break
if re.match('^[A-Z\s]+$', string):
cntr += 1
data[cntr]['Name'] = string
line = 2
print('matched')
elif line == 2:
data[cntr]['Address'] = string
line += 1
elif line == 3:
data[cntr]['Website'] = string
line += 1
print("Total data:", len(data.keys()))
将数据设置到数据框中
df = pd.DataFrame(data.values())
df.index += 1
print(df)
将数据框写入 Excel。
writer = pd.ExcelWriter("dataframe.xlsx", engine='xlsxwriter')
df.to_excel(writer, sheet_name='output', index=False)
writer.save()
我们的最终结果：
谢谢大家。
文章来源：https://dev.to/stokry/automate-data-entry-from-pdf-to-excel-with-python-1hm