Python私活300元：提取PDF的Excel表格

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         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                     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！