Excel / PDF 处理

处理 Excel 与 PDF 文件：提取数据、解析表格、生成报告。适用于数据导入导出、报表生成、文档解析等场景。

何时使用

• - 用户提供或请求处理 .xlsx、.xls、.csv、.pdf 文件
• 用户提到「表格」「Excel」「报表」「PDF 提取」「表单」
• 需要从文件读取数据或生成可下载文件

可执行脚本：scripts/excelextract.py（Excel→CSV）、scripts/pdfextract.py（PDF 文本/表格提取），依赖见 scripts/requirements.txt。

Excel 处理

读取 Excel

python
import pandas as pd

读取整个文件

df = pd.readexcel(file.xlsx, sheetname=0) # 第一个 sheet

指定 sheet

df = pd.readexcel(file.xlsx, sheetname=Sheet1)

读取 CSV

df = pd.read_csv(file.csv, encoding=utf-8)

写入 Excel

python

单 sheet

df.to_excel(output.xlsx, index=False)

多 sheet

with pd.ExcelWriter(output.xlsx) as writer: df1.toexcel(writer, sheetname=汇总, index=False) df2.toexcel(writer, sheetname=明细, index=False)

常用操作

• - 筛选：df[df[列名] > 0]
• 去重：df.dropduplicates(subset=[列名])
• 合并：pd.concat([df1, df2]) 或 pd.merge(df1, df2, on=key)
• 透视：df.pivottable(values=val, index=row, columns=col, aggfunc=sum)

依赖

bash
pip install pandas openpyxl # xlsx 需要 openpyxl

PDF 处理

提取文本

python
import pdfplumber

with pdfplumber.open(file.pdf) as pdf:
for page in pdf.pages:
text = page.extract_text()
if text:
print(text)

提取表格

python
with pdfplumber.open(file.pdf) as pdf:
page = pdf.pages[0]
tables = page.extract_tables()
for table in tables:
# table 为二维列表
for row in table:
print(row)

依赖

bash
pip install pdfplumber

若需 OCR（扫描版 PDF）：pip install pdf2image pytesseract，并安装 Tesseract。

报告生成流程

1. 1. 数据准备：从 API/DB 或 Excel 获取数据，用 pandas 清洗
2. 计算/聚合：按业务逻辑生成汇总表
3. 输出：

- Excel：df.to_excel() - PDF：可用 reportlab 或先生成 Excel 再转 PDF

注意事项

• - 大文件：分块读取或限制行数，避免内存溢出
• 编码：CSV 常见 utf-8、gbk，先尝试 utf-8
• 空值：df.fillna(0) 或 df.dropna() 按需处理
• 日期：pd.todatetime(df[datecol]) 统一格式