[299]python实现批量解析PDF文件提取内容并写入到Excel中
摘要:最近需要将一批PDF文件中的某些数据整理到Excel中,因为文件数量接近20w+,手动更新几乎不现实,于是就提取关键词和内容动手写了个Python小工具,以实现自动完成上述目标。
要求:
- 读取PDF文件找到特定关键字,然后读取其对应的数值提取出来
- 在Excel中查找对应关键字,然后在对应位置把上面提取出来的内容填进去
基本实现过程:
- 遍历文件夹,按照特定的要求找出指定类型的PDF文件
- 解析PDF文件
- 提取指定内容和对应值
- 更新数据到Excel
所需工具:
- 解析PDF文件的模块:pdfminer
- 操作Excel的模块:xlwt、xlrd、xlutils
- 注意:要在一个已经存在的Excel中写入数据需要配合xlutils使用,即先copy一个Excel对象,在该对象中进行写入,最后删除原对象而保存copy出来的对象
- io操作:os模块
- 匹配PDF文件:re模块
代码实现:
- 首先,把手工配置好的要求信息读入,主要包括各种文件提取规则,提取内容和文件的读写路径
#加载配置文件def loadSettingFile(KEYWORDS_Path):logging.info('>>>Loading setting file:%s'%os.path.basename(KEYWORDS_Path))PathList={}#储存路径列表with open(KEYWORDS_Path,'r') as fp:lines_kw=fp.readlines()for line in lines_kw:line=line.rstrip('\n')#删除行尾的换行符if re.match(r'^#',line):#注释内容,忽略passelse:Type,Path=line.split('=') #获得路径PathList[Type]=Pathlogging.info('>>>Content:\n %s'%PathList)logging.info('>>>Loading setting file done!')return PathList
- 接着需要把刚才读入的规则按照特定的格式抽取出来
#提取关键词内容和值def extractKW(strKW):# 把关键词内容按照文本和数字进行分割logging.info('>>>Extracting key words and values from %s'%strKW)kw = strKW.split(';')key_value = {} # 储存关键词、数据位置及列位置for kv in kw:key_value[kv.split(',')[0]] = (kv.split(',')[1],kv.split(',')[2])logging.info('Content:%s'%kv)logging.info('>>>Extracting kwywords done! ')return key_value
- 使用读入的路径来初始化程序的文件操作路径
#初始化路径def InitPath(Path_List,extractKW,PDF_File_Path,Excel_Path,PDF_RULE,KeyWords,KeyWordsA117,Excel_Rule,Excel_Seri_Col,Excel_Sheet):folderPath=Path_List[PDF_File_Path] #PDF文件夹路径ExcelPath=Path_List[Excel_Path] #Excel地址路径PDFRule=Path_List[PDF_RULE] #PDF抽取规则kw_value=extractKW(Path_List[KeyWords]) #关键词和对应值kw_value_A117=extractKW(Path_List[KeyWordsA117]) #A117文件的关键词级对应值sheet_name=Path_List[Excel_Sheet] #sheet名称xlSeriCol=Path_List[Excel_Seri_Col] #提取序列号的列位置ExcelRule=Path_List[Excel_Rule] #Excel抽取规则xlRule=[] #Excel规则保存if not ExcelRule=='':for rule in ExcelRule.split(';'):col,con=rule.split(',') #获得:列号 内容xlRule.append((int(col),con))return (folderPath,ExcelPath,PDFRule,xlRule,kw_value,kw_value_A117,int(xlSeriCol),sheet_name)
- 现在到指定的目录去读取文件夹
#获取文件夹名称def loadFolder(folderPath):counter=0 #计数logging.info('>>>Loading folder from %s '%folderPath)folderListPath='./../folderList.txt' #文件夹保存地址with open(folderListPath,'w')as f:folderList=os.listdir(folderPath)for folder in folderList:if not os.path.isfile(folder):counter+=1logging.info('>>>%s: %s'%(counter,folder))f.write(os.path.join(folderPath,folder)+'\n') #写入文件logging.info('>>>Done!')return folderListPath
- 读取Excel,把内容加载到程序中
#加载Exceldef InitExcel(excelPath):logging.info('>>>Loading Excel from:%s'%excelPath)book = xlrd.open_workbook(excelPath,formatting_info=True) #打开一个wordbookcopy_book= copy(book) #拷贝一个副本logging.info('>>>Done!')return (book,copy_book)
- 根据指定的规则来抽取Excel中的特定内容,用来之后匹配文件,找到应写入数据的对应位置
#抽取Excel中的序列号def extractExcelSeri(book,sheet_name,xlRule,xlPos):logging.info('>>>Extracting Excel serial from Excel Sheet:%s with xlRule:%s ...'%(sheet_name,xlRule))seri_data=[]#保存列数据sheet_ori=book.sheet_by_name(sheet_name) #切换sheetrows = sheet_ori.nrows #行数for row in range(rows-1):flag=True #规则匹配标志for rule in xlRule:if (sheet_ori.cell(row,rule[0]-1).value)[0:len(rule[1])]==rule[1]:passelse:flag=Falsebreakif flag: #规则匹配seri_data.append(sheet_ori.cell(row,xlPos-1).value)logging.info('>>>Done!')return seri_data
- 按照上面得到的文件序列来匹配文件夹名称,找到匹配的PDF文件目录
#使用Excel序列号匹配文件夹def matchFolder(xlSeri,folderListPath):counter=0 #计数logging.info('>>> Matching folder name with Excel\'s')matchedFolderListPath='./../matchedFolderList.txt' #保存匹配的文件夹列表with open(folderListPath,'r')as f:lines=f.readlines()with open(matchedFolderListPath,'w')as ff:for line in lines:line=line.rstrip('\n') #去掉行尾换行符line_Name=os.path.basename(line) #获取文件夹名称for xlseri in xlSeri:if line_Name[0:6]==xlseri[0:6]: #序列号匹配成功counter+=1logging.info('>>>Matched! %s: %s'%(counter,line_Name))ff.write(line+'\n') #保存logging.info('>>>Done!')return matchedFolderListPath
- 从前面匹配得到的PDF文件目录中抽取得到特定类型的PDF文件,抽取的规则是配置文件指定的
#从文件夹列表里加载指定类型的PDF文件def selectPDF(matchedFolderListPath,PDFRule):counter=0 #计数logging.info('>>>Loading pdf file from %s '%matchedFolderListPath)pdfListPath='./../pdfList.txt' #筛选出来的PDF文件列表储存位置with open(pdfListPath,'w')as fp:with open(matchedFolderListPath,'r')as f:folders=f.readlines()for folder in folders:folderPath=folder.rstrip('\n') #删除换行符#遍历文件夹获取指定类型的PDF文件for fpaths,dirs,fs in os.walk(folderPath):for f in fs:pdfName=os.path.basename(f).split('.') #分割名称if len(pdfName)>=2 and pdfName[1]=='pdf': #判断是否属于PDF文件if re.match(PDFRule,os.path.basename(f).split('.')[0]) or 'A117' in f: #判断是否满足PDF文件的指定规则fp.write(os.path.join(fpaths,f)+'\n') #保存文件列表counter+=1 #计数增一logging.info('>>>%s: %s'%(counter,os.path.basename(f)))logging.info('>>>Selectig PDF file done!')return pdfListPath
- 解析PDF文件,转换为可读取的TXT文件
#解析PDF文件,转为txt格式def parsePDF(PDF_path,TXT_path):logging.info('>>>Parsing pdf file:%s ...'%os.path.basename(PDF_path))with open(PDF_path, 'rb')as fp: # 以二进制读模式打开praser = PDFParser(fp) #用文件对象来创建一个pdf文档分析器doc = PDFDocument() # 创建一个PDF文档praser.set_document(doc) # 连接分析器与文档对象doc.set_parser(praser)# 提供初始化密码# 如果没有密码 就创建一个空的字符串doc.initialize()# 检测文档是否提供txt转换,不提供就忽略if not doc.is_extractable:logging.info('>>>Parsing failed...')raise PDFTextExtractionNotAllowedelse:rsrcmgr = PDFResourceManager()# 创建PDf 资源管理器 来管理共享资源laparams = LAParams() # 创建一个PDF设备对象device = PDFPageAggregator(rsrcmgr, laparams=laparams)interpreter = PDFPageInterpreter(rsrcmgr, device) # 创建一个PDF解释器对象# 循环遍历列表,每次处理一个page的内容for page in doc.get_pages(): # doc.get_pages() 获取page列表interpreter.process_page(page)layout = device.get_result() # 接受该页面的LTPage对象# 这里layout是一个LTPage对象 里面存放着 这个page解析出的各种对象 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等 想要获取文本就获得对象的text属性,for x in layout:if (isinstance(x, LTTextBoxHorizontal)):with open(TXT_path, 'a',encoding='utf-8',errors='ignore') as f:results = x.get_text()f.write(results+'\n')logging.info('>>>Done!')
- 遍历解析所有PDF文件
#遍历PDF列表文件完成解析def parseAllPDF(pdfListPath,parsePDF):logging.info('>>>Parsing all pdf file from pdf list:%s'%pdfListPath)counter=0#计数txtPath='./../PDF2TXT' #保存解析好的pdf文件的路径if os.path.exists(txtPath): #判断目录是否存在passelse:os.makedirs(txtPath) #创建目录txtList=os.listdir(txtPath) #加载已解析的pdf txt列表failed_txt_path='./failedParseList.txt' #解析失败的文件储存位置with open(pdfListPath,'r') as fp:pdfList=fp.readlines()for pdfPath in pdfList:pdfPath=pdfPath.rstrip('\n')existFlag=False #解析标志for file in txtList:pdfName=os.path.basename(pdfPath).split('.')[0] #获取PDF文件名称if file.split('.')[0]==pdfName: #判断是否已经解析过logging.info('>>>This file has been parsed befores:%s/%s: %s'%(counter,len(pdfList),pdfName+'.pdf'))counter+=1existFlag=Trueif not existFlag: #未曾解析过counter+=1#计数#生成TXT路径file_Name=os.path.basename(pdfPath).split('.')[0]txt_path=os.path.join('%s/%s%s'%(txtPath,file_Name,'.txt'))try:logging.info('>>>Parsing pdf file: %s/%s'%(counter,len(pdfList)))parsePDF(pdfPath,txt_path)#解析PDFexcept:logging.info('>>>Parsing PDF:%s failed.'%os.path.basename(pdfPath))with open(failed_txt_path,'a') as f: #输出错误名单f.write(pdfPath+'\n')logging.info('>>>Done!')logging.info('>>>Parse all pdf file Done!')return txtPath
- 从转换出来的txt文件中抽取指定内容
#提取TXT文件里的指定内容def extractContent(TXT_path,kw_value):logging.info('>>>Extracting content from: %s',TXT_path)kwv={}#储存关键字及对应值#读取文本内容with open(TXT_path,'r',encoding='utf-8',errors='ignore')as fp_tx:tx_lines=fp_tx.readlines() if 'A117' in TXT_path: #判断是否属于A117文件for con_txt in tx_lines:for index,item in enumerate(con_txt.split()):for kw in kw_value:if ' ' in kw: #判断有没有空格if item==kw.split()[0] and con_txt.split()[index+1]==kw.split()[1]: #判断抽取的类型if con_txt.split()[index+2]=='W': #忽略水冷类型passelse:value=con_txt.split()[index+int(kw_value[kw][0])]kwv[kw]=(kw_value[kw][1],value) #返回内容,格式为:{关键字:(列号,值)}else:if item==kw: #如果关键字匹配if item=='PRHO': #特殊情况value=con_txt.split()[index+int(kw_value[kw][0])] #获得其指定位置的数据else:con_txt_New=con_txt.rstrip('\n')#删除行尾的换行符value=con_txt_New.split()[int(kw_value[kw][0])]kwv[kw]=(kw_value[kw][1],value) #返回内容,格式为:{关键字:(列号,值)}else:content=[]#储存内容文本#把文本内容按照空格分隔并存储到content中for con_txt in tx_lines:for item in con_txt.split():content.append(item)#在文本内容中搜索关键字,找到则返回关键字及值for conVal,conTxt in enumerate(content):for kw in kw_value:#遍历关键词列表进行匹配if kw==conTxt:kwv[kw]=(kw_value[kw][1],content[conVal+int(kw_value[kw][0])]) #返回内容,格式为:{关键字:(列号,值)}logging.info('>>>Content: %s'%kwv)return kwv
- 把文件内容按照匹配原则写入Excel中
#把指定的文本内容写入到Excel表格中def wtxl(kwv,kw_ori,book,copy_book,sheet_name,pdfSeri,xlPos):logging.info('>>>Writing data to Excel...')sheet_ori=book.sheet_by_name(sheet_name) #切换sheetrows=sheet_ori.nrows #获得行数for row in range(rows-1): #遍历行xlSeri=sheet_ori.cell(row,xlPos-1).value #取得指定位置的数值if xlSeri==pdfSeri: #序列号匹配成功sheet = copy_book.get_sheet(sheet_name) #通过sheet的名称切换#把内容写入到指定位置for kwvCon in kwv:for kw in kw_ori:#遍历关键词文本if kwvCon==kw and kwv[kw][1].split('.')[0].isdigit(): #匹配关键词并且关键词后面的内容为数字sheet.write(row,int(kwv[kw][0])-1,kwv[kw][1])logging.info('>>>Writing item:%s'%kw)os.remove(ExcelPath)copy_book.save(ExcelPath)#保存logging.info('>>>Done!')
- 使用一个遍历程序把所有解析出来的PDF文件抽取内容并写入到Excel中
#遍历解析好的pdf文件列表提取内容并把内容写入到Excel中def write2Excel(Type,matchA117File,txtPath,kw_value,kw_value_A117,book,copy_book,sheet_name,xlPos,pdfListPath):counter=0 #计数logging.info('>>>Running function:write2Excel...')txtList=os.listdir(txtPath)LackOfA117ListPath='./../LackOfA117List.txt' #保存缺少A117文件列表with open(LackOfA117ListPath,'w')as f:for txt in txtList:counter+=1logging.info('>>>Dealing with PDF file: %s/%s'%(counter,len(txtList)))txt=txt.rstrip('\n') #取出行尾换行符txtpath=txtPath+'/'+txtif 'Common' in txtpath: #判断是否属于Common类型文件TypeName=Type(txtpath) #获得类型if TypeName=='Direct':#更新Common文件内容kwv=extractContent(txtpath,kw_value) #抽取内容pdfSeri=os.path.basename(txt).split('_')[0]wtxl(kwv,kw_value,book,copy_book,sheet_name,pdfSeri,xlPos) #写入EXCEL#更新Brief文件内容txtpath=txtpath.replace('Common','Brief')kwv=extractContent(txtpath,kw_value) #抽取内容pdfSeri=os.path.basename(txt).split('_')[0]wtxl(kwv,kw_value,book,copy_book,sheet_name,pdfSeri,xlPos) #写入EXCELelse:fileSeri=os.path.basename(txtpath)[0:9] #获取文件序列号a117Name=matchA117File(txtPath,fileSeri) #获取A117文件名称if not a117Name=='NO': #该文件存在a117Path=txtPath+'/'+a117Name #获得A117文件路径kwv=extractContent(a117Path,kw_value_A117) #抽取内容pdfSeri=os.path.basename(txt).split('_')[0]wtxl(kwv,kw_value_A117,book,copy_book,sheet_name,pdfSeri,xlPos) #写入EXCELelse: #A117文件不存在,保存列表a117Path=fileSeri+'.pdf' #获得A117文件路径f.write(a117Path+'\n')logging.info('>>>Done!')
- 为了保证程序功能模块的独立,需要另外写两个小函数,分别完成获取文件类型和匹配特定类型文件的功能,这两个属于特殊情况
#获得指定文件的类型def Type(filePath):TypeName='NULL'with open(filePath,'r',encoding='utf-8',errors='ignore')as f:lines=f.readlines()for line in lines:#遍历行items=line.split()for index,item in enumerate(items):if item=='Supply': #获得类型TypeName=items[index+1]return TypeName#匹配指定文件的A117文件def matchA117File(filePath,fileSeri):list=os.listdir(filePath)a117Name='NO'for file in list:if 'A117' in file:seri=os.path.basename(file).split('_')[0][0:9]if seri==fileSeri: #匹配a117Name=os.path.basename(file)return a117Name
- 程序的主函数内容
if __name__ == '__main__':logging.info('>>>Program is running now...') #程序开始###在下面添加初始化信息KEYWORDS_Path='./../KEYWORDS.txt' #配置文件的路径PDF_File_Path='PDF_File_Path' #PDF文件夹的路径Excel_Path='Excel_Path' #Excel文件路径PDF_RULE='PDF_RULE' #PDF文件提取规则KeyWords='KeyWords' #关键词及值KeyWordsA117='KeyWordsA117' #A117文件关键词Excel_Rule='Excel_Rule' #Excel文件提取规则Excel_Seri_Col='Excel_Seri_Col' #机型匹配列位置Excel_Sheet='Excel_Sheet' #指定sheet名称###程序运行,依次按照函数执行Path_List=loadSettingFile(KEYWORDS_Path) #加载配置文件获取路径#从配置文件内容获得相应路径folderPath,ExcelPath,PDFRule,xlRule,kw_value,kw_value_A117,xlSeriCol,sheet_name=InitPath(Path_List,extractKW,PDF_File_Path,Excel_Path,PDF_RULE,KeyWords,KeyWordsA117,Excel_Rule,Excel_Seri_Col,Excel_Sheet) folderListPath=loadFolder(folderPath) #获取文件夹名称book,copy_book=InitExcel(ExcelPath) #初始化ExcelxlSeri=extractExcelSeri(book,sheet_name,xlRule,xlSeriCol) #抽取Excel中的序列号matchedFolderListPath=matchFolder(xlSeri,folderListPath) #使用Excel序列号匹配文件夹pdfListPath=selectPDF(matchedFolderListPath,PDFRule) #从文件夹列表里加载指定类型的PDF文件txtPath=parseAllPDF(pdfListPath,parsePDF) #遍历PDF列表文件完成解析#遍历解析好的pdf文件列表提取内容并把内容写入到Excel中write2Excel(Type,matchA117File,txtPath,kw_value,kw_value_A117,book,copy_book,sheet_name,xlSeriCol,pdfListPath)logging.info('>>>Program finished!') #程序完成input('Press any key to exit...')
- 打包为exe可执行程序
Python程序要在没有安装Python开发包的电脑上运行的话,需要打包发布,Python提供了pyinstaller.exe程序来实现一键打包,首先下载安装pyinstaller模块,
pip install pyinstaller
安装完成后搜索找到pyinstaller.exe 复制到你想要打包的文件的位置,也就是你的.py 文件的位置,然后使用命令行执行:
cd 你的上述文件放置位置
pyinstaller.exe 你的.py文件名称
比如我的pyinstaller.exe 放在了C:/Users/fanyu/desktop/Python 路径下,同时里面还有一个TEST.py 的文件我想要打包成exe 程序,那么我的运行命令就是:
cd C:/users/fanyu/desktop/Python
pyinstaller.exe TEST.py
现在如果一切正常的话程序就会运行在当前目录下生成dist 、build 、TEST.spec 、pycache 的四个文件,需要的运行程序在dist 目录下,里面除了exe 程序外会有许多文件,那是程序运行需要的支持文件。
当然,pyinstaller.exe 还提供了更丰富的打包功能,比如加入自己的程序图标,程序运行时不显示命令行窗口等,这个就自己探索了!
- 程序的使用说明文档:使用说明.txt
这个工具用来实现从指定的文件夹读取文件,抽取特定的数据写入到指定的Excel文件中的功能1.如何使用?
你需要在KEYWORDS.txt文件中填写路径以及规则,然后运行TOOL文件夹下的TOOL.exe即可2.程序运行逻辑?a-->打开Excel文件按照指定的规则取得值b-->遍历指定的PDF文件夹,将其名称与Excel中得到的进行匹配,若匹配成功,则保存该文件或文件夹的路径到folderList.txt中c-->遍历上述文件夹内的按照指定规则获得的所有PDF文件并保存到pdfList.txt中d-->解析上面获得的PDF文件并保存到PDF2Txt文件夹中e-->按照指定的规则抽取d步骤获得的TXT文件中的内容f-->把e步骤获得的内容写入到对应的Excel位置g-->程序完成3.如何配置规则?
所有规则需要在运行程序前在KEYWORDS.txt文件中配置,包括:a-->PDF文件夹所在路径
b-->Excel文件所在路径
c-->PDF文件的提取规则
d-->Excel抽取规则
e-->Excel写入规则
f-->抽取数据位置及写入Excel位置规则4.如何获得帮助?联系:fanyu Email:1729465178@qq.com QQ:1729465178
程序代码和exe程序下载
链接:http://pan.baidu.com/s/1mh77Lg8 密码:sdyx
来源:https://blog.csdn.net/zyc121561/article/details/77207038
[299]python实现批量解析PDF文件提取内容并写入到Excel中相关推荐
- python提取内容并写入到Excel
#! /usr/bin/env python #_*_coding:utf-8_*_''' Created on 2017-5-12@author: Win-1 ''' import re,os,ti ...
- python 读取pdf cid_python使用pdfminer解析pdf文件的方法示例
最近要做个从 pdf 文件中抽取文本内容的工具,大概查了一下 python 里可以使用 pdfminer 来实现.下面就看看怎样使用吧. PDFMiner是一个可以从PDF文档中提取信息的工具.与其他 ...
- java tika 解析pdf,Tika提取PDF文件用法示例
本文概述 为了从pdf文件中提取内容, Tika使用PDFParser. PDFParser是用于从pdf文件提取内容和元数据的类.此类位于org.apache.tika.parser.pdf包中. ...
- 【最新实用版】Python批量将pdf文本提取并存储到txt文件中
#注意:笔者在2021/11/11当天调试过这个代码是可用的,由于pdfminer版本的更新,网络上大多数的语法没有更新,我也是找了好久的文章才修正了我的代码,仅供学习参考. 1.把pdf文件移动到本 ...
- Python+pywin32批量转换Word文件为PDF文件
代码功能:把当前文件夹中多个Word文件批量转换为PDF文件 技术原理:代码实际上是调用了Word的"导出"功能,模拟了手工转换的操作并实现了自动化,要求已正确安装Python扩展 ...
- python处理pdf实例_python使用pdfminer解析pdf文件的方法示例
最近要做个从 pdf 文件中抽取文本内容的工具,大概查了一下 python 里可以使用 pdfminer 来实现.下面就看看怎样使用吧. PDFMiner是一个可以从PDF文档中提取信息的工具.与其他 ...
- python如何解析PDF文件
python如何解析PDF文件 python中读取pdf的方法:使用python第三方库pdfminerk3k 1.使用pdfminer库 pdfminer是一个主流的分析pdf的库.如果是pytho ...
- Python编程--使用PyPDF解析PDF文件中的元数据
Python编程–使用PyPDF解析PDF文件中的元数据 元数据 作为一种文件里非常明显可见的对象,元数据可以存在于文档.电子表格.图片.音频和视频文件中.创建这些文件的应用程序可能会把文档的作者.创 ...
- python解析pdf中文乱码_解析PDF文件以及解决编码问题
1.解析pdf文件 最近需要将pdf中文本提取出来,于是就了解了一下pdfminer 首先安装:pip3 install pdfminer3k 之后就是用pdfminer解析,不多说,直接上代码,这些 ...
最新文章
- ob_start()失效与phpunit的非正常结束
- Hystrix指标窗口实现原理
- 有了内阻值,怎么判断电池是否健康?
- 【算法】动图展示八大常用排序算法,一次看个够!
- apache加载php配置
- 东软睿云用户认证_【硬件资讯】尘埃落定!11代酷睿规格曝光!i7、i9难分差距,退回8核16线程!...
- 深度学习-参数与超参数
- springMVC之与json数据交互方法
- Flink SQL中的函数
- 我的JDBC通用DAO(续)
- 提权学习:提权拿服务器方法总结-超细(补充节点0x02)
- 数据结构21:递归可视化(谢尔宾斯基三角形)
- 根据已订房客人资料快速登记
- Linux用户和群组管理的主要配置文件
- python 元类理解
- LCC编译器的源程序分析(27)基本语句
- 大型综合网络搭建详细步骤教程
- 贪心算法——汽车加油问题
- 想知道有哪些缩小视频大小的软件?这几个压缩软件你该知道
- android 1像素变粗,一亿像素的意义:聊聊图像采样与重建