pdf表格读取和筛选

为了从 PDF 文件中读取表格，并筛选出“注册单位”中包含“建工”的数据，可以使用 PyPDF2、pdfplumber、tabula-py 等库来解析 PDF 文件，然后再进行筛选。由于表格处理更复杂，由于表格在 PDF 文件中通常会以一种表格的形式存在，这些库可以直接读取表格并提取内容。

import pdfplumber
import pandas as pddef extract_sxjg_from_pdf(file_path):# 用于存储所有筛选出的数据selected_rows = []header =['序号', '人员姓\n名', '身份证号码', '注册类别', '注册单位']    # 打开 PDF 文件with pdfplumber.open(file_path) as pdf:for page in pdf.pages:# 提取每一页的表格数据tables = page.extract_tables()for table in tables:print(table)if not table or len(table) < 3:continue# 创建 DataFrame（跳过前两行标题）df = pd.DataFrame(table[2:], columns=header)print(df)filtered_df = df[df['注册单位'].str.contains('建工第五', na=False) | df['注册单位'].str.contains('建工集团', na=False)]# 如果有符合条件的行，则添加到结果列表中if not filtered_df.empty:selected_rows.append(filtered_df)# 合并所有符合条件的 DataFrameif selected_rows:result_df = pd.concat(selected_rows, ignore_index=True)return result_dfelse:return pd.DataFrame()  # 返回空的 DataFrame# 读取 PDF 文件路径
file_path = "/debug/20241023.pdf"  # 替换为实际的 PDF 文件路径
result_df = extract_sxjg_from_pdf(file_path)# 检查并输出结果
if not result_df.empty:print("筛选出的包含'建工'的注册单位名单：")print(result_df)result_df.to_excel(r'/debug/result_df.xlsx',index=None)
else:print("没有找到包含'建工'的注册单位的记录。")