import pdfplumber
import pandas as pd
import os
from openpyxl import load_workbook
from datetime import datetime
# page_chars最尾部的非空字符
def tail_not_space_char(page_chars):
i = -1
while page_chars[i].get('text').isspace():
i = i - 1
# print(page_chars[i].get('text'), i)
return page_chars[i]
# 返回列表最头部的非空字符
def head_not_space_char(page_chars):
i = 0
while page_chars[i].get('text').isspace():
i += 1
# print(page_chars[i].get('text'), i)
return page_chars[i]
# 将pdf表格数据抽取到文件中
def extract_tables(input_file_path, output_excel_path):
pdfList=[]
print("========================================表格抽取开始========================================")
# 读取pdf文件，保存为pdf实例
pdf = pdfplumber.open(input_file_path)
# 存储每个页面最底部字符的y0坐标
y0_bottom_char = []
# 存储每个页面最底部表格中最底部字符的y0坐标
y0_bottom_table = []
# 存储每个页面最顶部字符的y1坐标
y1_top_char = []
# 存储每个页面最顶部表格中最顶部字符的y1坐标
y1_top_table = []
# 存储所有页面内的表格文本
text_all_table = []
# 获取当前日期为转换后的文件名
current_datetime = datetime.now()
# 格式化为"YYYY-MM-DD HH:MM:SS"的字符串
formatted_datetime = current_datetime.strftime("%Y-%m-%d %H-%M-%S")
fileName=formatted_datetime+".xlsx"
# print("格式化后的日期时间：", formatted_datetime)
# 访问每一页
print("1===========开始抽取每页顶部和底部字符坐标及表格文本===========1")
for page in pdf.pages:
# table对象，可以访问其row属性的bbox对象获取坐标
table_objects = page.find_tables()
text_table_current_page = page.extract_tables()
if text_table_current_page:
text_all_table.append(text_table_current_page)
# 获取页面最底部非空字符的y0
y0_bottom_char.append(tail_not_space_char(page.chars).get('y0'))
# 获取页面最底部表格中最底部字符的y0，table对象的bbox以左上角为原点，而page的char的坐标以左下角为原点，可以用page的高度减去table对象的y来统一
y0_bottom_table.append(page.bbox[3] - table_objects[-1].bbox[3])
# 获取页面最顶部字符的y1
y1_top_char.append(head_not_space_char(page.chars).get('y1'))
# 获取页面最顶部表格中最底部字符的y1
y1_top_table.append(page.bbox[3] - table_objects[0].bbox[1])
print("1===========抽取每页顶部和底部字符坐标及表格文本结束===========1")
# 处理跨页面表格，将跨页面表格合并，i是当前页码，对于连跨数页的表，应跳过中间页面，防止重复处理
print("2===========开始处理跨页面表格===========2")
i = 0
while i = len(text_all_table):
break
j = i + 1
k = 1
# 要处理的页为空时退出
while text_all_table[j]:
if y0_bottom_table[i] = y1_top_table[j]:
# 当前页面最后一个表与待处理页面第一个表合并
text_all_table[i][-1] = text_all_table[i][-1] + text_all_table[j][0]
text_all_table[j].pop(0)
# 如果待处理页面只有一个表，就要考虑下下一页的表是否也与之相连
if not text_all_table[j] and j + 1
还有点问题 最后那个分数 小数点后面四舍五入了 但是他这个不咋需要 就没改
