Python一键提取zip压缩包内pdf文件到表格，并生成可视化图表！

需要解决的问题是这样的：

有一名为“24年12月-25年6月.zip”内有若干个格式一样的pdf文档，每份pdf文档内为若干个表格，记录着当天采购蔬菜的种类、单价、数量、供货单位、日期等，样式如下：

需求是把所有的pdf里的表格提取出来，按“食材名称”分类汇总到单独的工作表，每个表里还要自动生成“单价”和“日期”的拆线图，方便查看价格波动。

这是一个典型的问题——重复性高、工作量大、容易出错。如果你也遇到过类似的场景：需要从一堆pdf里挖数据、还要分类整理，并进行可视化分析，那么这篇python高效办公攻略就是你的救星！！！

核心任务拆解：

1、解压筛选文件。从zip压缩包内找出所有的pdf文件，排除其他格式文件。

2、提取表格内容。精准读取筛选到的pdf文件中的表格内容。

3、数据整理分析。补全缺失的信息，如日期没有在表格范围需要抠出。供货单位为空的数据行需要过滤等。

4、分类汇总保存。按“食材名称”分组，每种蔬菜单独保存到工作表。

5、插入动态图表。为每个工作表单独添加“单价”和“日期”为数据的折线图，带数据标签，这样能直观展示变化趋势。

解决过程：

解决方案：

使用zipfile筛选文件，pdfplumber进行表格内容提取，pandas进行数据处理，openpyxl创建动态图表。

第一步、导入所需要的模块

import pdfplumber
from zipfile import ZipFile
from openpyxl import load_workbook
from openpyxl.chart import LineChart, Reference
from openpyxl.chart.label import DataLabelList
import pandas as pd
import time

第二步、初始化

start_time = time.time()  # 记录开始时间，最后算总耗时
path = r"E:24年12月-25年6月.zip"  # 压缩包路径
df_list = []  # 存所有提取到的数据

第三步、读取数据

with ZipFile(path, 'r', metadata_encoding='gbk') as zip:  # 避免中文文件名乱码
    for file in zip.namelist():  # 遍历压缩包里所有文件
        if file.endswith(".pdf"):  # 只处理PDF
            with zip.open(file) as pdf:  # 从压缩包里打开PDF文件
                with pdfplumber.open(pdf) as p:  # 用pdfplumber解析PDF
                    for page in p.pages:  # 遍历每一页
                        pdf_table = page.extract_table()  # 提取当前页的表格
                        if pdf_table:  # 如果这页有表格
                            # 转成DataFrame，第一行当列名（表头）
                            df = pd.DataFrame(pdf_table[1:], columns=pdf_table[0])
                            # 从PDF文本中抠日期
                            df["日期"] = page.extract_text()[35:45]  
                            # 过滤掉“供货单位”为空的脏数据
                            df.dropna(subset=["供货单位"], inplace=True)
                            df_list.append(df)  # 加入总列表

第四步、数据清洗整理

dfs = pd.concat(df_list)  # 合并所有PDF的数据
dfs["单 价"] = dfs["单 价"].apply(lambda x: float(x))  # 单价转数字
dfs['日期'] = pd.to_datetime(dfs['日期'])  # 日期转标准格式
dfs.sort_values("日期", inplace=True)  # 按日期排序
df_group = dfs.groupby(by="食材名称")   # 按“食材名称”分组

第五步、分组数据保存数据到工作簿

out_path = r"E:24年12月-25年6月.xlsx"
with pd.ExcelWriter(out_path) as w: 
    for name, df in df_group:  # 遍历每个蔬菜分组
        df.to_excel(w, sheet_name=name, index=False)  # 写入单独工作表

第六步、动态生成图表

wb = load_workbook(out_path)  # 重新加载刚生成的Excel
for ws in wb.worksheets:  # 遍历每个工作表
    if ws.max_row > 2:  # 只处理有数据的表（至少3行：表头+1行数据）
        c1 = LineChart()  # 创建折线图对象
        # 获取表头（第一行），找到“单价”和“日期”列的位置
        headers = [cell.value for cell in next(ws.iter_rows(min_row=1, max_row=1))]
        price_col = headers.index("单 价") + 1
        date_col = headers.index("日期") + 1
        data = Reference(ws, min_col=price_col, max_col=price_col, 
                        min_row=2, max_row=ws.max_row)  # 从第2行开始（跳过表头）
        riqi = Reference(ws, min_col=date_col, max_col=date_col, 
                        min_row=2, max_row=ws.max_row)
        # 生成图表
        c1.add_data(data, titles_from_data=True)  # 单价
        c1.set_categories(riqi)  # X轴为日期
        c1.legend = None  # 不显示图例（由于只有一组数据）
        c1.title = "价格变化趋势"  # 图表标题
        c1.style = 24  # 预设样式（蓝色折线+圆点）
        # 坐标轴优化：显示数值标签，日期格式化
        c1.y_axis.delete = False  # Y轴可见
        c1.x_axis.delete = False  # X轴可见
        c1.x_axis.number_format = 'YYYY-MM-DD'  # 日期显示为“2024-01-01”格式
        # 数据标签：只显示单价数值（不显示日期类别名）
        if c1.series:
            series = c1.series[0]
            series.name = None
            series.dLbls = DataLabelList()
            series.dLbls.showVal = True  # 显示数值
            series.dLbls.showCatName = False # 不显示类别名（即不显示日期）
            series.dLbls.showSerName = False
            series.dLbls.showSeriesName = False # 不显示系列名称
            series.dLbls.showLegendKey = False  # 不显示图例标识
            series.dLbls.showPercent = False  # 不显示百分比
            series.dLbls.showBubbleSize = False  # 不显示气泡大小
        # 把图表插入工作表数据下方2行的位置
        row_chart = ws.max_row + 2
        ws.add_chart(c1, f"A{row_chart}")

第七步、保存工作簿，显示运行结果

# 保存Excel
wb.save(r"E:24年12月-25年6月_图表.xlsx")
end_time = time.time()
print(f"共处理{len(dfs)}条数据
{len(df_group)}种蔬菜
用时{end_time-start_time:.2f}秒")

运行结果：

运行这段代码，原本需要手动操作数个小时的工作，目前只需要66秒就能完成，最终生成包含所有蔬菜的数据文件，每种蔬菜都有独立的工作表和数据趋势图。

需要注意的是，这段代码使用ZipFile不用手动解压压缩包就可以直接读取PDF内容，这样能够避免文件乱放；其中metadata_encoding='gbk'可以防止中文文件名乱码问题。

日期可以通过page.extract_text()[35:45]从pdf的文本中抠取,如果日期位置并不固定使用正则表达式匹配更稳键。可参考下面的代码：

text = page.extract_text()
date_match = re.search(r'(d{4}[-年]d{1,2}[-月]d{1,2}[日]?)', text)
if date_match:
    df["日期"] = date_match.group(1)

面对此类繁琐操作，办公自动化无疑是提高效率、保证数据准确性的利器，你只需几步，就能告别手动操作的烦恼，让数据处理变得轻松高效。如果你也被类似问题所困扰，不妨试试这段代码，信任它会给你带来意想不到的便利！

最后，别忘了点赞、转发这篇文章，让你身边的同事和朋友一起提高工作效率~~~