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
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：
pdf 53页如下：
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")
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
以上就是Python读取pdf表格写入excel的方法的详细内容，更多关于Python读取pdf表格写入excel的资料请关注其它相关文章！
《魔兽世界》大逃杀！60人新游玩模式《强袭风暴》3月21日上线
暴雪近日发布了《魔兽世界》10.2.6 更新内容，新游玩模式《强袭风暴》即将于3月21 日在亚服上线，届时玩家将前往阿拉希高地展开一场 60 人大逃杀对战。
艾泽拉斯的冒险者已经征服了艾泽拉斯的大地及遥远的彼岸。他们在对抗世界上最致命的敌人时展现出过人的手腕，并且成功阻止终结宇宙等级的威胁。当他们在为即将于《魔兽世界》资料片《地心之战》中来袭的萨拉塔斯势力做战斗准备时，他们还需要在熟悉的阿拉希高地面对一个全新的敌人──那就是彼此。在《巨龙崛起》10.2.6 更新的《强袭风暴》中，玩家将会进入一个全新的海盗主题大逃杀式限时活动，其中包含极高的风险和史诗级的奖励。
《强袭风暴》不是普通的战场，作为一个独立于主游戏之外的活动，玩家可以用大逃杀的风格来体验《魔兽世界》，不分职业、不分装备（除了你在赛局中捡到的），光是技巧和战略的强弱之分就能决定出谁才是能坚持到最后的赢家。本次活动将会开放单人和双人模式，玩家在加入海盗主题的预赛大厅区域前，可以从强袭风暴角色画面新增好友。游玩游戏将可以累计名望轨迹，《巨龙崛起》和《魔兽世界：巫妖王之怒 经典版》的玩家都可以获得奖励。
更新日志
- 大自然音乐系列《听见向日葵的微笑》[WAV/CUE/分轨][538.5MB]
- 魔兽世界地心之战戒律牧用什么饰品 地心之战戒律牧饰品推荐
- 魔兽世界地心之战戒律牧用什么合剂食物 地心之战戒律牧合剂食物推荐
- 仙境传说新启航职业排行榜大全 仙境传说最强职业是哪个
- 群星《网络新歌曲速报》3CD[DTS-WAV分轨]
- 群星《男人必听》一张男人开车时必听的绝世好歌[WAV]
- 群星《再见新歌》2CD【DTS-WAV分轨】
- 黎瑞恩.1992-雨季不再来【宝丽金】【WAV+CUE】
- 曹雅雯.2018-小说【美乐蒂】【FLAC分轨】
- 温拿乐队.2007-温拿33好时光演唱会2CD（2024环球红馆40复刻系列）【环球】【WAV+CUE】
- 魔兽世界地心之战戒律牧用什么附魔宝石 地心之战戒律牧附魔宝石推荐
- 仙境传说新启航公测兑换码汇总 仙境传说最新兑换码礼包大全
- 魔兽世界地心之战神牧用什么饰品 地心之战神牧饰品推荐
- 群星《聆听·极致女声》2CD[DTS-WAV]
- 群星《五大最美女中音》2CD[DTS-WAV]