CodeGym /Java Adesua /Python SELF TW /PDF 文件處理入門，用於報告自動化

PDF 文件處理入門，用於報告自動化

Python SELF TW

等級 43 , 課堂 0

開放

1. 在 Python 中處理 PDF

為什麼要自動化處理 PDF？

如果你曾經給朋友傳送過帶有圖表、堆積文字和一張可愛貓咪圖片（為了營造愉快氛圍）的文件，那麼你知道 PDF 是用於傳遞結構化信息的理想格式。它通用且在任何裝置上都能流暢閱讀，並且還不會破壞文件的排版。但手動編輯、添加新數據並記住該把文件發送給誰，真的超麻煩！自動化就是在這裡拯救我們的。

想像一下多麼酷，如果報告可以自動生成，數據被收集並清晰排列，需要的頁面自己合併起來！例如，你可以自動生成包含所有表格和圖表的完整月度工作報告。在處理報告生成、文件流，以及需要頻繁更改的大量文件時，自動化處理 PDF 文件特別有用。

處理 PDF 的主要任務

讓我們來看看處理 PDF 時需要解決的主要任務。首先是從文件中提取文本。如果你想分析文本內容而又不想勞累自己的雙眼，這是很有必要的。接著是文件合併和分割。這將幫助你組合大型報告，也可以拆分數據以達成具體目標，比如為管理層單獨提取重要章節。

此外，也要提到為分析和報告準備 PDF。這包括創建目錄、章節及其他輔助信息，使你的報告不僅內容豐富，還賞心悅目——畢竟誰不喜歡一切都井井有條呢？而且大家更愛不必自己來整理這些事。

在 Python 中處理 PDF 的主要庫

PyPDF2: 用於讀取、拆分、合併和提取 PDF 文本的庫。簡單易用，但只支持基礎功能。
PDFPlumber: 可以更精準地結構化文檔，提取文本和表格。
ReportLab: 從零開始創建 PDF 文件的工具，適合生成帶有圖表、表格和圖片的報告。

2. 從哪裡開始？

我們先開始安裝和配置 PyPDF2 庫，它是我們進入自動化處理 PDF 世界的好夥伴。 PyPDF2 是一個輕量級且方便使用的 Python PDF 處理庫。你可以通過 pip 命令安裝它，打開終端並執行以下命令：

Bash


pip install PyPDF2

安裝成功後，請確保庫可以正常工作，在你的 Python 腳本中導入它：

Python


import PyPDF2

def check_pypdf2():
    print("PyPDF2 已安裝並可以使用！")

check_pypdf2()

如果你看到歡迎信息，說明一切順利。現在我們可以進行往後的步驟來實現自動處理！

3. 從 PDF 文檔中提取文本

首先要解決的任務之一是提取 PDF 文本。這對於數據分析、信息驗證或閱讀不友好的格式文本很有用！

讀取和解析 PDF

一切從打開 PDF 文檔開始。使用 PyPDF2 可以輕鬆且優雅地完成。以下是一些示例代碼，展示如何打開和讀取文檔：

Python


import PyPDF2

# 打開 PDF 文件
with open("sample.pdf", "rb") as pdf_file:
    pdf_reader = PyPDF2.PdfReader(pdf_file)
    text = ""
    for page_num in range(len(pdf_reader.pages)):
        page = pdf_reader.pages[page_num]
        text += page.extract_text() + "\n"

print(text)

在這裡，我們打開 PDF，創建了一個 PdfReader 對象，然後從每個頁面中提取文本並合成為一個字符串。剩下要做的就是欣賞自己的成果，並準備好分析收集的信息！

提取特定頁面的文本

如果你只需要提取特定頁面的文本，只需指出頁碼即可。

Python


import PyPDF2

with open("sample.pdf", "rb") as pdf_file:
    pdf_reader = PyPDF2.PdfReader(pdf_file)
    page = pdf_reader.pages[2]  # 從第三頁提取文本
    text = page.extract_text()

print(text)