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/excel_extract.py（Excel→CSV）、scripts/pdf_extract.py（PDF 文本/表格提取），依赖见 scripts/requirements.txt。
Excel 处理
读取 Excel
import pandas as pd
# 读取整个文件
df = pd.read_excel("file.xlsx", sheet_name=0) # 第一个 sheet
# 指定 sheet
df = pd.read_excel("file.xlsx", sheet_name="Sheet1")
# 读取 CSV
df = pd.read_csv("file.csv", encoding="utf-8")
写入 Excel
# 单 sheet
df.to_excel("output.xlsx", index=False)
# 多 sheet
with pd.ExcelWriter("output.xlsx") as writer:
df1.to_excel(writer, sheet_name="汇总", index=False)
df2.to_excel(writer, sheet_name="明细", index=False)
常用操作
- 筛选：
df[df['列名'] > 0] - 去重：
df.drop_duplicates(subset=['列名']) - 合并：
pd.concat([df1, df2])或pd.merge(df1, df2, on='key') - 透视：
df.pivot_table(values='val', index='row', columns='col', aggfunc='sum')
依赖
pip install pandas openpyxl # xlsx 需要 openpyxl
PDF 处理
提取文本
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
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
pip install pdfplumber
若需 OCR（扫描版 PDF）：pip install pdf2image pytesseract，并安装 Tesseract。
报告生成流程
- 数据准备：从 API/DB 或 Excel 获取数据，用 pandas 清洗
- 计算/聚合：按业务逻辑生成汇总表
- 输出：
- Excel：
df.to_excel() - PDF：可用
reportlab或先生成 Excel 再转 PDF
- Excel：
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.to_datetime(df['date_col'])统一格式