本文介绍了Python的openpyxl库，用于读取Excel文件，获取sheet、单元格操作。openpyxl支持xlsx格式，不支持xls，适用于大部分Excel操作需求。即使电脑中没有安装微软的Excel，也可以操作表格。

起因：财务人员又找来说，想把分割的文件，按照excel里写的规则进行保留，其它的则不需要保留。

一、架构设计

1. 在我们之前做的GUI界面上，添加一个指定excel位置的控件。
2. 将指定的excel记录的规则读取
3. 在保存分割的pdf时，根据读取的规则进行保存

代码实现

接下来，我们来看一下实现上面的需求。

首先，我们先来将GUI图形界面改造一下，效果如下图所示：

代码如下：

import os
import time
from tkinter import filedialog
import tkinter as tk
from tkinter import messagebox

import PyPDF2

root = tk.Tk()
root.geometry('600x300+550+200')
root.title('PDF处理工具')
page = tk.Frame()
page.pack()
text = tk.StringVar()
text2 = tk.StringVar()

# 界面浏览的文件路径和存储路径
def select_folder(sstr):
    filepath = filedialog.askdirectory()
    index = 0

    if filepath == "" :
        messagebox.showinfo(title="PDF处理", message="该目录下文件为空，请重新选择目录")
    else:
        if sstr == "1":
            entry.delete(0, tk.END)  # 清除文本框中的内容
            entry.insert(0, filepath)  # 插入新的文本内容
        else:
            entry2.delete(0, tk.END)  # 清除文本框中的内容
            entry2.insert(0, filepath)  # 插入新的文本内容

# 获取所有pdf文件
def get_pdf_files(directory):
    pdf_files = []
    for file in os.listdir(directory):
        if file.endswith(".pdf"):
            pdf_files.append(os.path.join(directory, file))
    return pdf_files

# 分割pdf文件
def split_pdf(file_path):
    pdf = PyPDF2.PdfReader(file_path)
    output_files = []
    for i in range(len(pdf.pages)):
        page = pdf.pages[i]
        page_text = page.extract_text()
        vallist = page_text.split(" ")

        output_pdf = PyPDF2.PdfWriter()
        output_pdf.add_page(page)
        # 特殊命名规则
        #自已获取pdf的内容
        output_file_path = f"{cname}_{cdate}_{ccode}.pdf"
        if output_file_path in output_files:
            timestamp = time.time()
            output_file_path = output_file_path.replace(".pdf","_" + str(timestamp) + ".pdf")
        with open(output_file_path, "wb") as output_file:
            output_pdf.write(output_file)
        output_files.append(output_file_path)
    return output_files

# 存储文件
def save_output_files(output_files, output_directory):
    for file in output_files:
        file_name = os.path.basename(file)
        output_path = os.path.join(output_directory, file_name)
        os.rename(file, output_path)


def select_file():
    filepath2 = filedialog.askopenfile()
    print(filepath2)

# 执行处理
def executor():
    filepath = entry.get()
    filepath2 = entry2.get()
    pdf_files = get_pdf_files(filepath)

    for file in pdf_files:
        output_files = split_pdf(file)
        save_output_files(output_files, filepath2)
    messagebox.showinfo(title='PDF处理', message='处理完成！')
# GUI
tk.Label(page).grid(row=0, column=1)
tk.Label(page, text='待处理文件夹:', font=('华文楷体', 15)).grid(row=2, column=1, pady=10, padx=10)
entry = tk.Entry(page, textvariable=text, width=45)
entry.grid(row=2, column=2, padx=10)
tk.Button(page, text='浏览...', font=('华文楷体', 12), width=5, height=1, command=lambda: select_folder("1")).grid(
    row=2,
    column=3)

tk.Label(page, text='存储文件夹:', font=('华文楷体', 15)).grid(row=3, column=1, pady=10, padx=10)
entry2 = tk.Entry(page, textvariable=text2, width=45)
entry2.grid(row=3, column=2, padx=10)
tk.Button(page, text='浏览...', font=('华文楷体', 12), width=5, height=1, command=lambda: select_folder("2")).grid(
    row=3,
    column=3)

tk.Label(page, text='参考文件:', font=('华文楷体', 15)).grid(row=4, column=1, pady=10, padx=10)
entry3 = tk.Entry(page, textvariable=text, width=45)
entry3.grid(row=4, column=2, padx=10)
tk.Button(page, text='浏览...', font=('华文楷体', 12), width=5, height=1, command=select_file).grid(
    row=4,
    column=3)

tk.Button(page, text='执行', font=('华文楷体', 15), command=executor).grid(row=5, column=2)
root.mainloop()

读取excel

def read_excel(spath):
    file_list = []
    kw_list = []
    wb2 = load_workbook(spath)
    ws2 = wb2['Sheet1']
    max_row = ws2.max_row
    for i in range(2, max_row):
        ccname = ws2.cell(i, 1).value
        ccdate = ws2.cell(i, 2).value
        date = datetime.strptime(ccdate, "%Y-%m-%d")
        formatted_date = date.strftime("%Y年%m月%d日")
        cccode = ws2.cell(i, 3).value
        ckeyword = ws2.cell(i, 9).value

        sfname = f"{ccname}_{formatted_date}_{cccode}.pdf"
        file_list.append(sfname)
        if ckeyword != "" and ckeyword != None:
            kw_list.append(ckeyword)

    wb2.close()
    return file_list, kw_list

将读取的excel的文件中的规则应用到文件分割方法里，代码如下:

# 分割pdf文件
def split_pdf(file_path,file_list,kw_list):
    pdf = PyPDF2.PdfReader(file_path)
    output_files = []
    for i in range(len(pdf.pages)):
        page = pdf.pages[i]
        page_text = page.extract_text()
        vallist = page_text.split(" ")

        output_pdf = PyPDF2.PdfWriter()
        output_pdf.add_page(page)
        # 特殊命名规则
        cdate = vallist[5].replace("\xa0", "")
        cname = vallist[8].replace("\n核算单位：", "")
        ccode = vallist[9].replace("凭证号：", "")
        output_file_path = f"{cname}_{cdate}_{ccode}.pdf"
        print(output_file_path)
        f1 = False
        f2 = False
        # 符合关键字列表或在要保留的文件列中
        for item in kw_list :
            if item in page_text:
                f1 = True
                break

        if output_file_path in file_list:
            f2 = True

        if f1 == True or f2 == True:
            if output_file_path in output_files:
                timestamp = time.time()
                output_file_path = output_file_path.replace(".pdf", "_" + str(timestamp) + ".pdf")
            with open(output_file_path, "wb") as output_file:
                output_pdf.write(output_file)
            output_files.append(output_file_path)
    return output_files

运行效果

在GUI界面上设置上相关参数，如下图

执行完成

执行完成后，保存的效果如下图：

这样三步走下来，我们就完成了财务的需求。原本要拆分的PDF文件有10个，每个里面大约有5000左右的页面。经过大约一分钟的处理，就完成了他们本来要三天的工作。这样是自动化的好处。