将pdf表格转成excel文件

背景

最近遇到了要从一个pdf表格中复制信息然后处理成excel，发现直接复制不能像平常那些数据按照合理的表格位置铺开，而是所有复制内容挤满在了复制的那一个单元格中，在网上也没找到这类处理方法，所以自己写了一个python代码处理一下这种问题：

Step1:将复制内容粘贴在一个txt文件中

Step2:在python中使用正则表达式快速将其分段并保存进一个新的文件中

Step2.1:正则表达式书写

我要匹配的内容是“网络与信息安全......”，即每一个网络与信息安全就是一段信息，我希望将这些段分开来

p = re.compile(r"网络与信息安全\s+.*?(?=\s+网络与信息安全|$)", re.MULTILINE)

上面这一段匹配字符串中，

(?=...)

是正向预查的语法。正向预查是一种非捕获性的匹配，它指定一个位置，然后检查这个位置后面的内容是否满足某种条件。但是，它并不会消耗输入字符串中的字符，也不会将该条件作为匹配结果的一部分返回。

(?=\s+网络与信息安全|$)

表示匹配的位置后面要么是一个或多个空白字符接着的 "网络与信息安全"，要么是行尾。

Step2.2:打开和写入操作

with open('medium.txt', 'w', encoding='utf-8') as fw:
    with open('raw.txt', 'r', encoding='utf-8') as fr:
        results = p.findall(fr.read())
        for result in results:
            result = result.split(' ')
            result2 = ','.join(result)
            fw.write(result2 + '\n')

Step3:写入excel表格中

def toExcel(fileName):  # xlsxwriter库储存数据到excel
    workbook = xw.Workbook(fileName)  # 创建工作簿
    sheet1 = workbook.add_worksheet("sheet1")  # 创建子表
    sheet1.activate()  # 激活表
    title = ['专业', '姓名', '考生编号', '性别', '初试分数', '复试分数', '总分', '总分排名', '是否录取']  # 设置表头
    sheet1.write_row('A1', title)  # 从A1单元格开始写入表头
    with open('medium.txt', 'r') as f:  # 这里打开的是处理过的分好段的txt文件
        i = 2
        lines = f.readlines()
        for line in lines:
            data = line.split(',')
            row = 'A' + str(i)
            sheet1.write_row(row, data)
            i += 1
    workbook.close()  # 关闭表

总体操作

import re
import xlsxwriter as xw

p = re.compile(r"网络与信息安全\s+.*?(?=\s+网络与信息安全|$)", re.MULTILINE)  # 匹配从 "网络与信息安全" 开始，直到下一个 "网络与信息安全" 或行尾的部分

with open('medium.txt', 'w', encoding='utf-8') as fw:
    with open('raw.txt', 'r', encoding='utf-8') as fr:
        results = p.findall(fr.read())
        for result in results:
            result = result.split(' ')
            result2 = ','.join(result)
            fw.write(result2 + '\n')

def toExcel(fileName):  # xlsxwriter库储存数据到excel
    workbook = xw.Workbook(fileName)  # 创建工作簿
    sheet1 = workbook.add_worksheet("sheet1")  # 创建子表
    sheet1.activate()  # 激活表
    title = ['专业', '姓名', '考生编号', '性别', '初试分数', '复试分数', '总分', '总分排名', '是否录取']  # 设置表头
    sheet1.write_row('A1', title)  # 从A1单元格开始写入表头
    with open('medium.txt', 'r') as f:  # 这里打开的是处理过的分好段的txt文件
        i = 2
        lines = f.readlines()
        for line in lines:
            data = line.split(',')
            row = 'A' + str(i)
            sheet1.write_row(row, data)
            i += 1
    workbook.close()  # 关闭表


fileName = '测试.xlsx'
toExcel(fileName)

成果展示

拓展方向

将最初的文本存储分段并且每列用逗号隔开，也很方便利用pandas库保存为csv文件