python读取pdf内容写入到Excel表格中

要从每个 PDF 文件中提取全文内容，并将这些内容粘贴到一个新的或现有的表格中，你可以使用 Python 的库来完成这一任务。以下是一个简化的步骤和示例代码，展示如何实现这个过程。

步骤概述

1. 读取文件夹中的所有 PDF 文件。
2. 提取每个 PDF 文件的全文内容。
3. 创建一个新的 Excel 表格或使用现有的表格。
4. 将提取的内容粘贴到表格中，每个 PDF 的内容放在一个垂直单元格中。
5. 保存表格文件。

所需库

• PyMuPDF（用于提取 PDF 内容）
• pandas（用于处理和保存表格数据）
• openpyxl（用于创建和修改 Excel 文件）

示例代码

import fitz  # PyMuPDF
import pandas as pd
import os

def extract_text_from_pdf(pdf_path):
    """从 PDF 文件中提取文本"""
    text = ""
    pdf_document = fitz.open(pdf_path)
    for page_num in range(pdf_document.page_count):
        page = pdf_document.load_page(page_num)
        text += page.get_text()
    pdf_document.close()
    return text

def process_pdfs_to_excel(pdf_folder, excel_path):
    """将 PDF 文件夹中的文本提取到 Excel 表格中"""
    pdf_files = [f for f in os.listdir(pdf_folder) if f.lower().endswith('.pdf')]
    pdf_texts = []
    
    for pdf_file in pdf_files:
        pdf_path = os.path.join(pdf_folder, pdf_file)
        pdf_text = extract_text_from_pdf(pdf_path)
        pdf_texts.append(pdf_text)
    
    # 创建 DataFrame
    df = pd.DataFrame(pdf_texts, columns=["Content"])
    
    # 保存到 Excel
    df.to_excel(excel_path, index=False)

# 示例使用
pdf_folder = 'path/to/your/pdf/folder'
excel_path = 'path/to/your/output/excel_file.xlsx'
process_pdfs_to_excel(pdf_folder, excel_path)

代码解释

1. extract_text_from_pdf：从 PDF 文件中提取所有页面的文本。使用 PyMuPDF 库来打开和读取 PDF 文件的内容。
2. process_pdfs_to_excel：遍历指定文件夹中的所有 PDF 文件，提取内容并将其存储在 pandas DataFrame 中。然后将 DataFrame 保存为 Excel 文件。
3. pdf_folder 和 excel_path：分别是包含 PDF 文件的文件夹路径和输出的 Excel 文件路径。

注意事项

• 确保安装所需的库。可以通过以下命令安装：

  pip install pymupdf pandas openpyxl
  

• 根据实际需要，调整代码中 pdf_folder 和 excel_path 的路径。

总结

以上代码可以帮助你从 PDF 文件夹中提取内容并将其导出到一个 Excel 文件中，每个 PDF 的内容放在 Excel 文件的一列中，方便进一步处理和分析。