针对从表格数据中提取指定内容并自动创建新表格的需求，核心方案是使用 Python 的 **pandas** 库读取源数据、进行筛选与转换，然后输出为新的 Excel 文件。这通常涉及数据过滤、列选取、计算新列、分组聚合等操作。以下是详细的步骤、代码示例以及一个结合了【参考资料】中提到的从 PDF 提取表格数据并创建 Excel 的完整应用场景 [ref_1][ref_4][ref_5][ref_6]。 ### **核心流程与工具选择** | 步骤 | 核心操作 | 推荐库/方法 | 备注 | | :--- | :--- | :--- | :--- | | **1. 读取源数据** | 从 Excel、CSV、PDF 等文件加载数据 | `pandas.read_excel()`、`pandas.read_csv()`、`pdfplumber`、`Spire.PDF` | 根据源文件格式选择 [ref_1][ref_4][ref_5][ref_6] | | **2. 数据提取与处理** | 筛选、计算、分组、合并 | `pandas` 的 `DataFrame` 操作（如 `loc`、`query`、`groupby`） | 核心环节，提取“所需数据” | | **3. 创建新表格并写入** | 将处理后的 `DataFrame` 写入新文件 | `DataFrame.to_excel()`、`pandas.ExcelWriter` | 控制输出格式与多工作表 [ref_3] | ### **场景一：从已有 Excel 中提取数据并生成新 Excel 文件** 这是最常见的情况，假设我们有一个销售数据表 `sales.xlsx`，需要提取销售额大于 1000 的记录，并计算其平均单价，生成一个新的汇总报告。 ```python import pandas as pd # 1. 读取源Excel表格 source_df = pd.read_excel('sales.xlsx', sheet_name='Sheet1') print("源数据预览:") print(source_df.head()) # 2. 提取所需数据：条件筛选与列选择 # 示例：筛选“销售额”大于1000，且只保留“产品名称”、“销售额”、“数量”列 extracted_df = source_df.loc[source_df['销售额'] > 1000, ['产品名称', '销售额', '数量']] # 3. 进行数据计算（例如：计算平均单价） if not extracted_df.empty and '销售额' in extracted_df.columns and '数量' in extracted_df.columns: extracted_df['平均单价'] = extracted_df['销售额'] / extracted_df['数量'] # 保留两位小数 extracted_df['平均单价'] = extracted_df['平均单价'].round(2) # 4. 创建新表格并写入Excel文件 output_file = 'extracted_sales_report.xlsx' extracted_df.to_excel(output_file, index=False, sheet_name='高销售额汇总') print(f"数据提取完成，新表格已保存至: {output_file}") print("新表格内容预览:") print(extracted_df.head()) ``` ### **场景二：从多个工作表或文件中合并提取数据** 有时需要的数据分散在多个工作表或多个文件中，需要先进行合并 [ref_3]。 ```python import pandas as pd import os # 假设有多个季度销售Excel文件 input_files = ['sales_Q1.xlsx', 'sales_Q2.xlsx'] all_data_frames = [] for file in input_files: if os.path.exists(file): # 读取每个文件的所有工作表或指定工作表 # 方法A：读取指定工作表 # df = pd.read_excel(file, sheet_name='销售明细') # 方法B：读取所有工作表并合并（适用于结构相同的多表） xls = pd.ExcelFile(file) for sheet_name in xls.sheet_names: df = pd.read_excel(xls, sheet_name=sheet_name) # 可选：给数据添加来源标识列 df['数据来源'] = f"{file}_{sheet_name}" all_data_frames.append(df) # 合并所有DataFrame combined_df = pd.concat(all_data_frames, ignore_index=True) # 提取所需数据：例如，计算各产品的年度总销售额 if '产品名称' in combined_df.columns and '销售额' in combined_df.columns: summary_df = combined_df.groupby('产品名称', as_index=False)['销售额'].sum() summary_df = summary_df.sort_values('销售额', ascending=False) # 写入新表格 summary_df.to_excel('annual_sales_summary.xlsx', index=False) print("多文件数据合并与汇总完成。") ``` ### **场景三：从 PDF 中提取表格数据并生成 Excel（结合参考资料）** 根据【参考资料】，`pdfplumber` 和 `Spire.PDF for Python` 是提取 PDF 表格的常用库 [ref_1][ref_5]。这里以 `pdfplumber` 为例，展示从 PDF 提取表格并自动创建 Excel 文件的完整流程。 ```python import pdfplumber import pandas as pd def extract_tables_from_pdf_to_excel(pdf_path, excel_output_path): """ 从PDF文件中提取所有表格，并合并写入到一个Excel文件的不同工作表中。 参数: pdf_path (str): PDF文件路径。 excel_output_path (str): 输出的Excel文件路径。 """ all_tables_data = {} with pdfplumber.open(pdf_path) as pdf: for page_num, page in enumerate(pdf.pages, start=1): # 提取当前页的所有表格 tables = page.extract_tables() for table_num, table in enumerate(tables, start=1): if table: # 确保表格不为空 # 将表格数据转换为pandas DataFrame # table 是一个列表的列表，每个子列表代表一行 df = pd.DataFrame(table[1:], columns=table[0]) # 假设第一行是表头 sheet_name = f"Page{page_num}_Table{table_num}" all_tables_data[sheet_name] = df print(f"已提取: {sheet_name}, 形状: {df.shape}") if all_tables_data: # 使用ExcelWriter将多个表格写入同一Excel文件的不同工作表 with pd.ExcelWriter(excel_output_path, engine='openpyxl') as writer: for sheet_name, df in all_tables_data.items(): df.to_excel(writer, sheet_name=sheet_name, index=False) print(f"所有表格已成功导出至: {excel_output_path}") else: print("未在PDF中发现表格。") # 使用示例 extract_tables_from_pdf_to_excel('report.pdf', 'extracted_pdf_tables.xlsx') ``` 此代码展示了如何遍历 PDF 每一页，提取其中的表格结构数据，并利用 `pandas` 的 `ExcelWriter` 将其组织到新 Excel 文件的不同工作表中，实现了从非结构化文档（PDF）到结构化数据（Excel）的自动化转换 [ref_1][ref_4][ref_6]。 ### **场景四：复杂的数据转换与透视表生成** 有时“提取所需数据”意味着进行更复杂的聚合和重塑，例如生成数据透视表。 ```python import pandas as pd # 读取源数据 df = pd.read_excel('sales_details.xlsx') # 假设数据包含：区域(region)、销售员(salesperson)、产品类别(category)、销售额(amount)、日期(date) # 需求：生成一个以“区域”为行、“产品类别”为列，汇总“销售额”的透视表 pivot_table = pd.pivot_table(df, values='amount', index='region', columns='category', aggfunc='sum', fill_value=0, # 缺失值填充为0 margins=True, # 添加总计行/列 margins_name='总计') print("生成的数据透视表:") print(pivot_table) # 将数据透视表写入新Excel文件 pivot_table.to_excel('sales_pivot_table.xlsx', sheet_name='区域-品类透视') print("数据透视表已保存。") ``` ### **场景五：基于提取的数据，按模板生成格式化报告** 如果需要新表格遵循特定格式，可以结合 `openpyxl` 在写入数据后进行样式调整，或使用 `pandas` 的 `ExcelWriter` 配合 `openpyxl` 引擎加载模板。 ```python from openpyxl import load_workbook import pandas as pd # 1. 提取数据 source_df = pd.read_excel('raw_data.xlsx') processed_df = source_df[source_df['状态'] == '已完成'].copy() processed_df['完成率'] = processed_df['已完成数'] / processed_df['总数'] * 100 # 2. 将数据写入一个预先设计好格式的模板 template_path = 'report_template.xlsx' output_path = 'final_report.xlsx' # 首先，将我们的数据保存到一个临时文件或直接用pandas写入模板（需小心覆盖） with pd.ExcelWriter(output_path, engine='openpyxl') as writer: # 将数据写入指定工作表，例如“Data” processed_df.to_excel(writer, sheet_name='Data', index=False) # 加载已写入数据的工作簿对象，以便后续样式操作 workbook = writer.book worksheet = writer.sheets['Data'] # 3. 使用openpyxl进行后续格式化（示例：设置表头样式） from openpyxl.styles import Font, PatternFill header_fill = PatternFill(start_color="366092", end_color="366092", fill_type="solid") header_font = Font(color="FFFFFF", bold=True) for cell in worksheet[1]: # 第一行是表头 cell.fill = header_fill cell.font = header_font worksheet.column_dimensions[cell.column_letter].width = 15 print(f"格式化报告已生成: {output_path}") ``` ### **总结与最佳实践** 1. **明确提取规则**：在编码前，必须清晰定义“所需数据”的筛选条件（如数值范围、文本匹配、日期区间）和计算逻辑。 2. **处理异常**：在代码中增加异常处理（如 `try-except`），以应对文件不存在、数据格式错误、关键列缺失等情况。 3. **路径管理**：使用 `os.path` 模块检查文件路径，并使用绝对路径或配置化路径以提高脚本的健壮性。 4. **性能考虑**：对于大型 Excel 文件，`pandas` 的 `read_excel` 可以指定 `usecols` 参数仅读取必要的列，并使用 `chunksize` 进行分块读取以节省内存 [ref_2]。 5. **扩展应用**：此模式可以很容易地集成到自动化工作流中，例如，使用 Windows 任务计划程序或 Linux 的 crontab 定时执行脚本，或将其封装为 Web 服务（如使用 Flask 框架）供他人调用。 通过上述场景和代码示例，可以看到，利用 Python（尤其是 `pandas`）从源表格中提取数据并自动创建新表格是一个高效、灵活且可高度定制化的过程。无论是简单的筛选、跨文件/工作表的合并，还是从 PDF 等复杂文档中提取结构化表格，都可以通过组合不同的库来实现。