经验｜轻松提取Meta原始文献特征

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：

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：

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：

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：

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：

6. 通过 for 循环逐一打印此列数据，提取其中“批号”数据：

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：

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 tabulaimport reimport 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 Falseif __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～

欢迎咨询小编微信：ZGYJT84628858

添加小编微信   开启您的科研之路

平台推出以下服务，欢迎小伙伴们咨询~

职称论文发表|普刊|核心期刊|SCI|毕业论文|科研课题写作|专利协助申请|专著出版|