### 使用Python读取PDF文件中固定区域的内容并保存到Excel 为了实现从PDF文件中特定区域提取内容并将这些内容存储到Excel文件的功能，可以采用以下方法： #### 工具与库的选择 主要使用的工具和库包括 `pdfplumber` 和 `pandas`。其中： - **pdfplumber** 是用于解析PDF文件的强大库，支持按坐标定位来提取指定区域内的文本[^3]。 - **pandas** 则是一个强大的数据分析库，能够轻松地将数据转化为DataFrame格式，并进一步导出至Excel。 以下是完整的代码示例及其说明： --- ### 代码示例 ```python import pdfplumber import pandas as pd # 定义函数以提取PDF固定区域的内容 def extract_fixed_area(pdf_path, page_num, bbox): """ 提取PDF文件中某一页的固定区域内容 参数: pdf_path (str): PDF 文件路径 page_num (int): 要提取的页面索引（从0开始） bbox (tuple): 区域边界框，格式为(x0, y0, x1, y1)，单位为点数(pt) 返回: str: 提取的文本内容 """ with pdfplumber.open(pdf_path) as pdf: page = pdf.pages[page_num] cropped_page = page.crop(bbox=bbox) # 截取固定区域 text = cropped_page.extract_text() # 提取该区域的文字 return text # 定义函数以保存数据到Excel def save_to_excel(data_list, output_file): """ 将数据列表保存到Excel文件 参数: data_list (list): 数据列表，每一项代表一行数据 output_file (str): 输出Excel文件名 """ df = pd.DataFrame(data_list) # 创建DataFrame对象 df.to_excel(output_file, index=False) # 导出为Excel文件 # 主程序逻辑 if __name__ == "__main__": # 输入参数 pdf_path = 'example.pdf' # 替换为实际PDF文件路径 bboxes = [(100, 200, 300, 400), (50, 60, 150, 180)] # 多个固定区域的bbox定义 extracted_data = [] # 遍历每一页并提取多个固定区域的内容 with pdfplumber.open(pdf_path) as pdf: for i, page in enumerate(pdf.pages): for j, bbox in enumerate(bboxes): content = extract_fixed_area(pdf_path, i, bbox) if content is not None and content.strip(): # 去除空白字符串 extracted_data.append([i + 1, f'Region {j}', content]) # 存储到Excel文件 save_to_excel(extracted_data, 'output.xlsx') ``` --- ### 功能解释 1. **提取固定区域内容** - 函数 `extract_fixed_area` 接收PDF文件路径、目标页号以及边界框（bounding box），通过调用 `crop` 方法截取指定区域，并使用 `extract_text` 获取区域内文字。 2. **保存到Excel** - 函数 `save_to_excel` 将提取的数据列表转换为Pandas DataFrame，并最终保存为Excel文件[^4]。 3. **主程序流程** - 打开PDF文件后逐页遍历，针对预设的多个固定区域逐一提取内容。 - 如果某个区域有有效内容，则将其记录下来并与对应的页码关联。 - 最终将所有提取的结果汇总并通过 Pandas 库保存到 Excel 中。 --- ### 注意事项 - 边界框 `(x0, y0, x1, y1)` 的单位是以点数（pt）表示，默认左下角为原点(0, 0)[^3]。 - 若某些区域无任何内容返回，则会跳过此部分以免影响整体结果。 - 可视化调试建议先打印各区域提取结果确认准确性后再执行正式保存操作。 ---