pdf对excel数据转换代码备份

Posted 2020-06-14

pdf对excel数据转换代码备份

 一.综合测试代码

# -*- coding: utf-8 -*-

"""

Created on Wed Dec  2 15:46:02 2015

 

@author: Administrator

13-1-001之后的就发生读取发生错误，index=1976

index=4100发生错误

"""

import PyPDF2,os,openpyxl

from openpyxl.cell import get_column_letter,column_index_from_string

 

#打开Excel

#测试Excel

‘‘‘

wb_test=openpyxl.load_workbook(‘example.xlsx‘)

sheet_test=wb_test.active

for cellObj in sheet_test.columns[3]:

    print(cellObj.value)

    ‘‘‘

 

#打开处理的Excel

wb=openpyxl.load_workbook(‘lijia2.xlsx‘)  

sheet=wb.active

column=sheet.columns[2]

column_C_num=len(column)  #4483个处理pdf

column_C_num-=1            #去掉标题，要减一

 

column_index=column_index_from_string(‘J‘) #J的索引号最终是10

column_K=sheet.columns[column_index]   #要填写的K列

 

 

column_J=sheet.columns[column_index-1]

filenames_column_J=[]         #最终要填写的文件名集合

for cellObj in column_J[1:]:   #console显示不全前面内容，出现第一项不是第一个

    #print(cellObj.value)

    filenames_column_J.append(cellObj.value)

    

#Excel的J栏要处理pdf数量

column_J_num=len(filenames_column_J)   #4483个处理pdf文档

 

if column_C_num!=column_J_num:

    raise NameError

 

 

 

#1.搜集所有pdf文档

pdfFiles=[]

for filename in os.listdir(‘.‘):#返回当前文件夹的所有文件:

    if filename.endswith(‘.pdf‘):

        pdfFiles.append(filename)

        

pdfFile_num=len(pdfFiles)     #文件夹pdf数量

 

 

#删除不需要的pdf文件

for filename in pdfFiles:

    if filename not in filenames_column_J:

        os.remove(filename)

 

#filename_error：Excel有的pdf文件，而路径找不到的pdf列表

filename_error=[]  

for i in filenames_column_J:

    if i not in pdfFiles:

        filename_error.append(i)

        

#异常排除

if filename_error!=[] or pdfFile_num!=column_J_num:

    raise NameError

 

‘‘‘

#当文件名由字母和数字组成时，文件路径排序会和Excel排序不一样

for i in range(column_J_num):

    if pdfFiles[i]!=filenames_column_J[i]:  #审核文件名是否一致

        print (‘wrongIndex:‘,i)

        raise NameError

‘‘‘

 

 

 

#需要对Excel的K行建立一个字典，方便找到索引

 

 

 

#依次打开Excel对应的pdf文件名，写入cell

loop=column_J_num  #循环次数要和文件名一致,1976及其之后的pdf，Python不能识别，只能处理到这一步

 

for i in range(loop):

    #print (‘file:‘,i)

    

    #每100行显示print

    if i%100==0:

        print ‘fileindex:‘,i

        

        

    filename=filenames_column_J[i]

    try:

        

        pdfFileObj=open(filename,‘rb‘)

        pdfReader=PyPDF2.PdfFileReader(pdfFileObj)

        pages=pdfReader.numPages #显示页数 在第4100行时读取pdfReader也会出错

    except:

        continue

   

    #pageObj=pdfReader.getPage(0) #读取第一页的字符,第一页可读取

    #content=pageObj.extractText() #输出第一页字符

    

    #页面写入

    content=""

    for page in range(pages):

        try:

            pageObj=pdfReader.getPage(page) #读取第一页的字符,第一页可读取

            content+=pageObj.extractText() #输出第一页字符

        except:

            continue

            

    column_K[i+1].value=content        #不用转换，可直接写入excel，第二页pdf也可写入excel

    pdfFileObj.close()

 

#行高和行宽设定

sheet.height=12

sheet.column_dimensions[‘K‘].width=20

 

#审核单元格里是否有空白，有多少空白

list_blank_cell=[]

for cell in column_K:

    #print"cell.value:",cell.value

    if cell.value==None:

        list_blank_cell.append(cell)

 

print "list_blank_cell:",list_blank_cell

print "number of blank cell:",len(list_blank_cell)

#检测出28-3-0005.pdf对应的单元格是空白，经核实，无法打开此文档

wb.save(‘lijia2.xlsx‘) 

 

二.单个样本测试

# -*- coding: utf-8 -*-

"""

Created on Fri Dec  4 14:05:39 2015

单文件数据转移测试

@author: Administrator

"""

 

import PyPDF2,os,openpyxl

from openpyxl.cell import get_column_letter,column_index_from_string

 

#打开处理的Excel

wb=openpyxl.load_workbook(‘example.xlsx‘)

sheet=wb.active

 

cell=sheet[‘K3‘]

 

filename="13-1-001.pdf"

pdfFileObj=open(filename,‘rb‘)

 

try:

    pdfFileObj=open(filename,‘rb‘)

    pdfReader=PyPDF2.PdfFileReader(pdfFileObj)

    content=pageObj.extractText()

    pageObj=pdfReader.getPage(0)

except:         #不知道什么原因出错，except后面就不要加名字

    print("wrong")

    

print("done")

    

    

    

 

 

 

‘‘‘

   

 

 

content=pageObj.extractText()    #错误所在，文字无法提取，尝试换Python2版本，

                                 #或把pdf降解到Word文档，再转换到Excel里

 

#print(‘content:‘,content)

 

cell.value=content

 

print("well done")

 

wb.save(‘example.xlsx‘)

content=""

for page in range(pages):

    print (‘page:‘,page)

    pageObj=pdfReader.getPage(page) #读取第一页的字符,第一页可读取

    print("ok")

    content+=pageObj.extractText() #输出第一页字符

    print(‘ok1‘)

column_K[i+1].value=content        #不用转换，可直接写入excel，第二页pdf也可写入excel

pdfFileObj.close()

 

wb.save(‘example.xlsx‘) 

‘‘‘

 
三，小样本测试

# -*- coding: utf-8 -*-

"""

Created on Wed Dec  2 15:46:02 2015

 

@author: Administrator

13-1-001之后的就发生读取发生错误，index=1976

小样本测试完毕，不能打开和提取文字的语句发生异常时，程序自动跳到下一行

"""

import PyPDF2,os,openpyxl

from openpyxl.cell import get_column_letter,column_index_from_string

 

#打开Excel

#测试Excel

‘‘‘

wb_test=openpyxl.load_workbook(‘example.xlsx‘)

sheet_test=wb_test.active

for cellObj in sheet_test.columns[3]:

    print(cellObj.value)

    ‘‘‘

 

#打开处理的Excel

wb=openpyxl.load_workbook(‘example.xlsx‘)  

sheet=wb.active

column=sheet.columns[2]

column_C_num=len(column)  #4483个处理pdf

column_C_num-=1            #去掉标题，要减一

 

column_index=column_index_from_string(‘J‘) #J的索引号最终是10

column_K=sheet.columns[column_index]   #要填写的K列

 

 

column_J=sheet.columns[column_index-1]

filenames_column_J=[]         #最终要填写的文件名集合

for cellObj in column_J[1:]:   #console显示不全前面内容，出现第一项不是第一个

    #print(cellObj.value)

    filenames_column_J.append(cellObj.value)

    

#Excel的J栏要处理pdf数量

column_J_num=len(filenames_column_J)   #4483个处理pdf文档

 

if column_C_num!=column_J_num:

    raise NameError

 

 

 

#1.搜集所有pdf文档

pdfFiles=[]

for filename in os.listdir(‘.‘):#返回当前文件夹的所有文件:

    if filename.endswith(‘.pdf‘):

        pdfFiles.append(filename)

        

pdfFile_num=len(pdfFiles)     #文件夹pdf数量

 

 

#删除不需要的pdf文件

for filename in pdfFiles:

    if filename not in filenames_column_J:

        os.remove(filename)

 

#filename_error：Excel有的pdf文件，而路径找不到的pdf列表

filename_error=[]  

for i in filenames_column_J:

    if i not in pdfFiles:

        filename_error.append(i)

        

#异常排除

if filename_error!=[] or pdfFile_num!=column_J_num:

    raise NameError

 

‘‘‘

#当文件名由字母和数字组成时，文件路径排序会和Excel排序不一样

for i in range(column_J_num):

    if pdfFiles[i]!=filenames_column_J[i]:  #审核文件名是否一致

        print (‘wrongIndex:‘,i)

        raise NameError

‘‘‘

 

 

 

#需要对Excel的K行建立一个字典，方便找到索引

 

 

 

#依次打开Excel对应的pdf文件名，写入cell

loop=column_J_num  #循环次数要和文件名一致,1976及其之后的pdf，Python不能识别，只能处理到这一步

 

for i in range(loop):

    #print (‘file:‘,i)

    

    #每50行显示print

    if i%100==0:

        print (‘fileindex:‘,i)

        

        

    filename=filenames_column_J[i]

    try:

        

        pdfFileObj=open(filename,‘rb‘)

        pdfReader=PyPDF2.PdfFileReader(pdfFileObj)

    except:

        continue

    pages=pdfReader.numPages #显示页数

    #pageObj=pdfReader.getPage(0) #读取第一页的字符,第一页可读取

    #content=pageObj.extractText() #输出第一页字符

    

    #页面写入

    content=""

    for page in range(pages):

        try:

            pageObj=pdfReader.getPage(page) #读取第一页的字符,第一页可读取

            content+=pageObj.extractText() #输出第一页字符

        except:

            continue

            

    column_K[i+1].value=content        #不用转换，可直接写入excel，第二页pdf也可写入excel

    pdfFileObj.close()

 

wb.save(‘example.xlsx‘)