經驗｜輕松提取Meta原始文獻特征

Python 辦公小助手：讀取 PDF 中表格并重命名

日常工作中，我們或多或少都會接觸到 Excel 表格、Word 文檔和 PDF 文件。偶爾來個處理文件的任務，幾個快捷鍵操作一下——搞定！但是，偏偏有些煩人的工作，操作繁瑣且數據復雜，更要命的是耗時間，吭哧吭哧一下午卻難出幾個成果。

此時如果我們掌握些 Python 編程的技巧，整理下文件處理的流程通過編碼來實現，不僅省時省力省心，還可以精進編碼技術。今天我們就通過一個 PDF 處理的實例來演示下 Python 助力辦公的過程。

上周朋友提了個 PDF 處理的問題，要求如下：

大致整理下，這問題和把大象裝冰箱一樣要分三步：

讀取 PDF 中的表格內容

在表格內容中提取特定數據

以特定數據對文件重命名

此時面向 Python 默默許愿：要是 Python 中有現成的模塊可以直接讀取 PDF 中的表格就好了！

心愿達成！確實有個 tabula 模塊可以直接解析 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 的一個封裝模塊，可以將 PDF 中的表格數據轉化為 pandas 的 DataFrame 格式。

注意，安裝?tabula-py 時命令是?pip install tabula-py，但導入時是 import tabula。

此外，該模塊由于是對 tabula-java 的封裝依賴 java，需要安裝 java 才能正常調用。并且由最終轉化得到的數據格式也可以看出，此模塊也依賴 pandas 和 numpy，需要自行導入。

詳細鏈接：https://pypi.org/project/tabula-py/

安裝好 tabula-py，我們也準備一份 PDF 文件(demo.pdf)用于演示代碼：

現在任務更清晰了：讀取 demo.pdf 文件中的 “批號(款號)”數據：

"批號(款號)"："DRDY173131441HHDKD?QWOEP23"

最終將這一串批號數據當作名字給 PDF 重命名，生成 DRDY...EP23.pdf 文件。

---

如果你能堅持看到這里，我準備向你推薦下 jupyter notebook。因為它可以按代碼塊執行，上下代碼塊之間變量可以共用，同時會直接顯示代碼塊運行結果。拿它用來做代碼及運行結果展示非常好用——下文記錄的過程就是通過它運行代碼截圖所得。

1. 首先，導入 tabula，使用其函數讀取 PDF 中的表格數據：

由所得結果大致可以看出，我們想要的批號數據是在第二列。

2. 之前提到讀到的 PDF 表格數據是 DataFrame 格式，可以用 help 函數確認下：

3. 由表格數據中提取其每一列的名稱：

4. 根據目測分析，批號位于第二列，所以提取第二列名字：

5. 通過 DataFrame["列名稱"]?來定位到該列具體數據：

6. 通過 for 循環逐一打印此列數據，提取其中“批號”數據：

這里直接采用的是?"批號" in 字符串?的語法，倘若數據字符串中含有“批號”二字就會被篩選出，最終我們也如愿拿到了“批號數據”并賦值給 target 變量。

7. 拿到了“批號”數據，我們只選取字母數字拼接的數據串。接下來采用正則表達式，按照批號數據格式中只包含大寫字母、數字以及中間會夾雜空格，制定匹配模式進行匹配提取：

最終我們拿到了批號數據串賦值給 result 變量。

8. 最終我們利用 os 模塊將文件夾內的?“demo.pdf”?重命名為 result 所代表的批號數據串.pdf ：

注意，這里的 f"{變量}字符串內容" 是格式化字符串的形式。

至此，我們完成了對單份 PDF 處理的完整流程。接下來我們可以多試幾份不同 PDF 尋找共同的提取批號數據的規律，將其整理成連貫、簡潔的最終版代碼：

#!/usr/bin/env python# encoding: utf-8# @Time : 2019-10-24 21:39__author__ = 'Ted'import tabulaimport reimport os# 將提取單一 PDF 文件內批號數據的過程定義成 get_target("pdf名稱") 函數，最終函數將數據返回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 "批號" in str(item_sub): result = re.search(pattern,item_sub).group() return result return Falseif __name__=="__main__": # 獲取 PDF 所在文件夾 folder = "test" # os 模塊定位到該文件夾 os.chdir(folder) # 獲取文件夾內文件列表 pdflist = os.listdir() # 打印該文件列表 print(pdflist) # 對文件列表 for 循環處理 for item in pdflist: # 如果該文件名稱最后四位是 .pdf 或 .PDF,即我們要找的 PDF 文件 if item[-4:] in [".pdf",".PDF"] : # 對該文件進行提取批號函數操作，將批號數據賦值給 new_name new_name = get_target(item) # 如果不為空，即獲取到了批號數據 if new_name: # 對文件進行重命名操作 os.rename(item,f"{new_name}.pdf") print("重命名成功！")

如果我們有大量 PDF 文件都要提取文件內的批號數據進行重命名，可以將其放到同一個文件夾中，然后只要在最終代碼中修改 folder =?"文件夾名稱"，運行代碼等待幾秒，便可微微一笑任務搞定了。

以上，感謝閱讀～

歡迎咨詢小編微信：ZGYJT84628858

添加小編微信? ?開啟您的科研之路

平臺推出以下服務，歡迎小伙伴們咨詢~

職稱論文發表|普刊|核心期刊|SCI|畢業論文|科研課題寫作|專利協助申請|專著出版|

總結

以上是生活随笔為你收集整理的pandas 提取数字_经验轻松提取Meta原始文献特征的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。