Python读取pdf表格写入excel

ゝ一纸荒年。 2023-02-28 11:09 170阅读 0赞

#### 背景 ####

今天突然想到之前被要求做同性质银行的数据分析。妈耶！十几个银行，每个银行近5年的财务数据，而且财务报表一般都是 pdf 的，我们将 pdf 中表的数据一个个的拷贝到 excel 中，再借助 excel 去进行求和求平均等聚合函数操作，完事了还得把求出来的结果再统一 CV 到另一张表中，进行可视化分析…

当然，那时风流倜傥的 老Amy 还熟练的玩转着 excel ，也是个秀儿~ 今天就思索着，如果当年我会 Python 是不是可以让我成为班级最靓的崽！用技术占领高地，HHH，所以今天我来了，希望可以帮助大家解决同性质的问题。

#### 开始学习叭 ####

##### 避免CV大法 #####

pdf 文件的表格的数据可以复制，但是这是一项非常繁琐的事情。所以我首先考虑的是，Python 可否帮助我们高效且规范地读取 pdf 中的表格数据。所以一顿的检索，发现了一个比较优质处理 pdf 的库：pdfplumber，当然这个库需要大家 pip install pdfplumber 去进行安装。以及详细使用可参考全球最大基友社区：https://github.com/jsvine/pdfplumber

##### 步骤： #####

*  导入 pdfplumber 库
 *  通过 pdfplumber.open() 函数 获取 mt2018.pdf 文件对象
 *  通过该 对象.pages 获取 pdf 每页的对象，截取我们需要的页对象即可
 *  通过 页对象.extract\_tables() 获取表格数据（若需要获取文本：页对象.extract\_text()）

代码实现：

import pdfplumber
    
    
    # 获取 pdf 文件对象
    pdf_mt = pdfplumber.open("mt2018.pdf")
    
    # 因为我需要获取的资产负债表在 51-53页 但是索引从0开始 所以切片取 50-52即可
    for pdf_pg in pdf_mt.pages[50:53]:
        
        # 只提取当前页表格数据 
        print(pdf_pg.extract_tables())
        
        
    --------------------------------------------------------------------------
    结果比较多，截取一部分：
    [[['项目', '附注', '期末余额', '期初余额'], ['流动资产：', '', '', ''], ['货币资金', '1', '112,074,791,420.06', '87,868,869,913.34'], ['结算备付金', '', '', ''], ['拆出资金', '', '', ''], ['以公允价值计量且其变动计入当\n期损益的金融资产', '', '', ''], ['衍生金融资产', '', '', ''], ['应收票据及应收账款', '2', '563,739,710.00', '1,221,706,039.00']]]

##### 将完整表保存到 csv 文件中 #####

我们发现，返回的数据集是一个三维的列表。那么在我们平时处理的 excel 表格数据(行与列)都是二维的数据。那么，这多出的一维是什么呢？其实就是我们的夜\[页\]~ 再来一个循环取出二维数据进行保存即可

for pdf_pg in pdf_mt.pages[50:53]:
        for pdf_tb in pdf_pg.extract_tables():
            print(pdf_tb)
            
    ------------------------------------------------------------------------------
    结果比较多，截取一部分：
    [['项目', '附注', '期末余额', '期初余额'], ['流动资产：', '', '', ''], ['货币资金', '1', '112,074,791,420.06', '87,868,869,913.34'], ['结算备付金', '', '', ''], ['拆出资金', '', '', ''], ['以公允价值计量且其变动计入当\n期损益的金融资产', '', '', ''], ['衍生金融资产', '', '', ''], ['应收票据及应收账款', '2', '563,739,710.00', '1,221,706,039.00']]

但是，真的那么简单吗？这时，我们就需要细品我们的 pdf 了，如下图  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM1Mjk4MQ_size_16_color_FFFFFF_t_70]  
我们发现，一张完整的资产负债表分布在多页上。也就是说，每一页的里面的表格数据都是一个三维的列表，所以我们保存数据的时候，需要让其有共同的表头(列索引)，并且进行拼接。

那必须就要强推我们的 pandas 了，pandas.DataFrame() 非常完美的创建表格式的二维数组，以及指定列索引(表头)。包括可以直接 使用 df.append() 进行共同表头数据的堆叠拼接。

import pdfplumber
    import pandas as pd
    import numpy as np
    
    # 创建仅有表头的 dataframe 数组
    pdf_df = pd.DataFrame(columns=['项目', '附注', '期末余额', '期初余额'])
    
    # 获取 pdf 文件对象
    pdf_mt = pdfplumber.open("mt2018.pdf")
    
    # 因为我需要获取的资产负债表在 51-53页 但是索引从0开始 所以切片取 50-52即可
    for pdf_pg in pdf_mt.pages[50:53]:
        
        # 获取二维列表
        for pdf_tb in pdf_pg.extract_tables():
            
            # 将其拼接
            pdf_df = pdf_df.append(pd.DataFrame(np.array(pdf_tb),columns=['项目', '附注', '期末余额', '期初余额']))
    
    # 显示后五条
    pdf_df.tail()

dataframe数据输出如下：  
![在这里插入图片描述][20200720224413556.png]  
pdf 53页如下：  
![在这里插入图片描述][20200720224434735.png]  
实际上，大家也发现，我们获取的最后一页的数据还有一部分是另一个表的，所以我们需要将其去除，并且有序的设置行索引，再保存到 csv 文件中。

# 去除后三行
    pdf_df = pdf_df.iloc[:-3,:]
    
    # 重置索引
    pdf_df = pdf_df.reset_index(drop=True)
    
    # 保存到 csv 文件中
    pdf_df.to_csv("mt_2018.csv")

![在这里插入图片描述][2020072022453359.gif_pic_center]  
当然，今天就到这里，其它的需求我们下次给大家完善。大家也可以自己将代码封装成函数，这样就可以实现传入 pdf文件名称、页数以及保存的文件名来复用代码。如果大家再掌握了 pandas 就可以根据自己的需求，对各个表格数据进行处理。再结合 seaborn 绘图可视化，完爆 excel ~ 快学习起来叭，GOGOGO

好啦，今天就到这里，有收获的话请为我点赞点在看~嘿嘿，需要学习更多滴欢迎关注我们奥！康桑思密达  
![在这里插入图片描述][2020072022462034.gif]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM1Mjk4MQ_size_16_color_FFFFFF_t_70]: /images/20230209/306cc72b0cda4c3d8237d4828f83e619.png
[20200720224413556.png]: /images/20230209/0568a4c7b1f741f5ba1a7a784ea540c4.png
[20200720224434735.png]: /images/20230209/2e5abf5bbe32444cb55c4bdb9e8ae634.png
[2020072022453359.gif_pic_center]: /images/20230209/b079b6c3ad5d4a17828b6ee39376ab2a.png
[2020072022462034.gif]: /images/20230209/d62a3407cef6407f807c029599b6297c.png