python自动化2-自动化处理excel、word、pdf

1，excel-pandas

• pandas.read_excel读取.xlsx文件，pandas.read_csv读取.csv文件
• 多表数据：将None传递给read_excel函数，返回的是一个key为表名的字典，字典的每一个value是一个DataFrame

  import pandas as pd
  f = pd.read_excel('test.xlsx',None)
  sheet_ls = f.keys()
  

• 都是pandas的基本操作，做数据处理的应该都会。

2，pdf——PyPDF2

• PyPDF2 没有办法从 PDF 文档中提取图像、图表或其他媒体，但它可以提取文本，并将文本返回为 Python 字符串。

'''将basePath下的pdf文件合并为一个'''
import PyPDF2, os

#get all pdf files from basePath and sort these files by their names
basePath = r''
pdfList = []
for file in os.listdir(basePath):
    if file.endswith('.pdf'):
        pdfList.append(file)
pdfList.sort()

#create PdfFileWriter to store and merge pdf files
pdfWriter = PyPDF2.PdfFileWriter()

#open the pdf files and store each page in PdfFileWriter
for pdf in pdfList:
    pdfReader = PyPDF2.PdfFileReader(open(os.path.join(basePath, pdf), 'rb'))
    print(pdfReader.numPages)
    for pageNum in range(pdfReader.numPages):
        pageObj = pdfReader.getPage(pageNum)
        pdfWriter.addPage(pageObj)
        
#save the PdfFileWriter to a file
pdfWriter.write(open('pdfMergeResult.pdf', 'wb'))

3，word——python-docx

• 利用 python-docx 模块，安装：python-docx，导入：import docx
• 和纯文本相比，.docx 文件有很多结构。这些结构在 python-docx 中用 3 种不同的类型来表示。在最高一层，Document 对象表示整个文档。Document 对象包含一个 Paragraph 对象的列表，表示文档中的段落（用户在 Word 文档中输入时，如果按下回车，新的段落就开始了）。每个 Paragraph 对象都包含一个 Run 对象的列表。
  • 调用doc = docx.Document('demo.docx')，这将获取一个 Document 对象，它有 paragraphs 属性，是 Paragraph对象的列表。对 doc.paragraphs 调用 len()，可以获取文档有几个Paragraph对象。
  • 每个 Paragraph 对象都有一个 text 属性，包含该段中文本的字符串（没有样式信息）。
  • 每个 Paragraph 对象也有一个 runs 属性，它是 Run 对象的列表。Run 对象也有一个 text 属性，包含那个延续中的文本。
• Word 文档中的文本不仅仅是字符串。它包含与之相关的字体、大小、颜色和其他样式信息。在 Word 中，样式是这些属性的集合。一个 Run 对象是相同样式文本的延续。当文本样式发生改变时，就需要一个新的 Run 对象。
• 对于 Word 文档，有 3 种类型的样式：段落样式可以应用于 Paragraph 对象，字符样式可以应用于 Run 对象，链接的样式可以应用于这两种对象。可以将 Paragraph 和Run 对象的 style 属性设置为一个字符串，从而设置样式。这个字符串应该是一种样式的名称。如果 style 被设置为 None，就没有样式与 Paragraph 或 Run 对象关联。