python提取PDF文档表格数据格式不对
本帖最后由 thornjay 于 2024-8-19 09:07 编辑各位大佬，我是python新手，在这里向各位大佬请教一下：
以下是我写的代码，主要目的是电脑E盘有一个叫jf的文件夹，里面有很多PDF文件，每个PDF文件里都有一个表格，我想用python写一段代码，要求能自动提取E:\JF文件夹里所有PDF文件里面表格中的订单编号、品号、品名、规格、数量等对应的值，并在该文件夹下生成一个叫计划的EXCEL表。我的代码如下：
import os
import pandas as pd
from pdfplumber import open as pdf_open
from openpyxl import load_workbook
# 定义文件夹路径和输出Excel文件的路径
folder_path = r'E:\JF'
output_excel = os.path.join(folder_path, '计划.xlsx')
# 检查输出文件是否存在，如果存在则删除
if os.path.exists(output_excel):
os.remove(output_excel)
# 初始化一个空的DataFrame来存储数据
data = []
# 遍历文件夹中的所有PDF文件
for filename in sorted(os.listdir(folder_path)):
if filename.endswith('.pdf'):
pdf_path = os.path.join(folder_path, filename)
order_number = None# 存储订单编号
is_total_found = False# 是否找到“合计”字样
with pdf_open(pdf_path) as pdf:
# 遍历页面
for page in pdf.pages:
# 从PDF页面中提取表格
table = page.extract_table()
if not table:
continue
# 提取订单编号
if not order_number and table:
order_number = table# 第1行第4列
# 遍历表格的每一行
for index, row in enumerate(table):
# 跳过标题行和空行
if index < 5:
continue
# 检查是否遇到“合计”，如果遇到则设置标志并跳出内层循环
if not is_total_found:
for cell in row:
if "合计" in str(cell).upper():# 转换为大写以忽略大小写
is_total_found = True
break
if is_total_found:
break
# 从第6行开始提取数据
if index >= 6:# 从第6行开始
product_code = row.strip() if row else ''
product_name = row.strip() if row else ''
specification = row.strip() if row else ''
quantity = row.strip() if row else ''
delivery_date = row.strip() if row else ''
# 将交货日期作为字符串存储，以避免Excel将其转换为数值
data.append({
'订单编号': order_number,
'品号': product_code,
'品名': product_name,
'规格': specification,
'数量': quantity,
'交货日期': delivery_date
})
# 使用pandas创建DataFrame
df = pd.DataFrame(data)
# 将DataFrame保存到Excel文件
df.to_excel(output_excel, index=False, engine='openpyxl')
print(f'数据已成功提取并保存到 {output_excel}')
以上代码运行后，会生成EXCEL表，但是在EXCEL表里，订单编号不会根据每个PDF文档表格里的订单编号生成对应的编号，而是空白；在交货日期里，提取出来的不会显示日期，而是数值，请问要怎样调整代码？
下面图2是PDF文档里的原始表，图1是生成的EXCEL表格，订单编号没有对应数据，订单编号没生成日期格式：
本帖最后由 许我浅笑而安° 于 2024-8-17 23:07 编辑
PDF传一下看看
# ...（之前的代码保持不变）
for filename in sorted(os.listdir(folder_path)):
if filename.endswith('.pdf'):
pdf_path = os.path.join(folder_path, filename)
order_number = None# 确保每次处理新文件时重置订单编号
is_total_found = False
with pdf_open(pdf_path) as pdf:
for page in pdf.pages:
table = page.extract_table()
if not table:
continue
# 提取订单编号（确保这里的索引与PDF表格结构相匹配）
if not order_number and table:
order_number = table if len(table) > 3 else None
for index, row in enumerate(table):
if index < 5:
continue
if not is_total_found:
for cell in row:
if "合计" in str(cell).upper():
is_total_found = True
break
if is_total_found:
break
if index >= 6:
product_code = row.strip() if row else ''
product_name = row.strip() if row else ''
specification = row.strip() if row else ''
quantity = row.strip() if row else ''
# 确保交货日期是字符串格式
delivery_date_str = str(row.strip() if row else '')
data.append({
'订单编号': order_number,
'品号': product_code,
'品名': product_name,
'规格': specification,
'数量': quantity,
'交货日期': delivery_date_str# 保存为字符串格式
})
# ...（之后的代码保持不变） import os
import pandas as pd
import re
from pdfplumber import open as pdf_open
from openpyxl import load_workbook
# 定义文件夹路径和输出Excel文件的路径
folder_path = r'E:\JF'
output_excel = os.path.join(folder_path, '计划.xlsx')
# 检查输出文件是否存在，如果存在则删除
if os.path.exists(output_excel):
os.remove(output_excel)
# 初始化一个空的DataFrame来存储数据
data = []
# 正则表达式查找订单编号的模式（假设订单编号为一串数字）
order_number_pattern = re.compile(r"订单编号[:：]?\s*(\d+)")
# 遍历文件夹中的所有PDF文件
for filename in sorted(os.listdir(folder_path)):
if filename.endswith('.pdf'):
pdf_path = os.path.join(folder_path, filename)
order_number = None# 存储订单编号
is_total_found = False# 是否找到“合计”字样
with pdf_open(pdf_path) as pdf:
# 遍历页面
for page in pdf.pages:
# 尝试从文本中提取订单编号
if not order_number:
text = page.extract_text()
if text:
match = re.search(order_number_pattern, text)
if match:
order_number = match.group(1)
# 从PDF页面中提取表格
table = page.extract_table()
if not table:
continue
# 遍历表格的每一行
for index, row in enumerate(table):
# 跳过标题行和空行
if index < 5:
continue
# 检查是否遇到“合计”，如果遇到则设置标志并跳出内层循环
if not is_total_found:
for cell in row:
if "合计" in str(cell).upper():# 转换为大写以忽略大小写
is_total_found = True
break
if is_total_found:
break
# 从第6行开始提取数据
if index >= 6:
product_code = row.strip() if row else ''
product_name = row.strip() if row else ''
specification = row.strip() if row else ''
quantity = row.strip() if row else ''
delivery_date = row.strip() if row else ''
# 将交货日期解析为字符串或保留原始值，以避免Excel将其转换为数值
try:
delivery_date = pd.to_datetime(delivery_date).strftime('%Y-%m-%d')
except:
pass
# 确保订单编号不为空，默认值为PDF文件名
if not order_number:
order_number = filename
# 将数据追加到列表中
data.append({
'订单编号': order_number,
'品号': product_code,
'品名': product_name,
'规格': specification,
'数量': quantity,
'交货日期': delivery_date
})
# 使用pandas创建DataFrame
df = pd.DataFrame(data)
# 将DataFrame保存到Excel文件
df.to_excel(output_excel, index=False, engine='openpyxl')
print(f'数据已成功提取并保存到 {output_excel}')
试一下这个 问题里没有图，还想学习学习哪！不知道这PDF是不是业务系统形成的？那种图片或扫描件的表格应该不行吧？ 许我浅笑而安° 发表于 2024-8-17 23:04
PDF传一下看看
# ...（之前的代码保持不变）
PDF文档表格如图 china-ray 发表于 2024-8-18 11:09
问题里没有图，还想学习学习哪！不知道这PDF是不是业务系统形成的？那种图片或扫描件的表格应该不行吧？
不知道为什么图没显示：
图1图2如下：
matxi 发表于 2024-8-18 10:19
import os
import pandas as pd
import re
您好！首先非常感谢您的指导，谢谢！提取出来的订单编号不完整，只提取了前几位，其次交货日期显示的不是日期，而是成了数值。
页:
[1]