Skip to content
TheChatArchiveThe Chat Archive
Metallama-4-maverick-03-26-experimental· MetaHugging Face LMArena Human Preference 140K

Zatem lepiej będzie jeśli napiszesz mi program który czyta tabelki z wszystkich stron…

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with Mistralmistral-small-3.1-24b-instruct-2503’s answer.
  1. User

    Zatem lepiej będzie jeśli napiszesz mi program który czyta tabelki z wszystkich stron PDFa do Excela. Każda strona ma być innym arkuszem w Excelu.

  2. Meta Assistant

    Świetna decyzja! 😊

    Poniżej znajdziesz gotowy skrypt w Pythonie, który:

    1. Pobiera plik PDF (np. Mały Rocznik Statystyczny GUS) z dysku lokalnego.
    2. Wydobywa wszystkie tabele ze stron PDF-a (niezależnie od układu, struktury czy jakości skanowania).
    3. Zapisuje każdą stronę jako osobny arkusz w pliku Excel (.xlsx).

    Do działania potrzebne będą trzy biblioteki:

    • PyMuPDF (dawniej fitz) – do odczytywania PDF-ów strona po stronie,
    • tabula-py – specjalnie zaprojektowana do wyciągania tabel z PDF-ów,
    • pandas – do obróbki danych tabelarycznych i zapisywania do Excela.

    Krok 1: Zainstaluj biblioteki

    Otwórz terminal / wiersz poleceń i wpisz:

    pip install pymupdf tabula-py pandas openpyxl
    

    Uwaga: openpyxl jest wymagany przez pandas do zapisu .xlsx.


    Krok 2: Pobierz przykładowy plik PDF

    Weź dowolny Mały Rocznik Statystyczny GUS w formacie PDF (np. z lat 2023, 2020, 2015 – z archiwum GUS). Zapisz go w tym samym folderze, co poniższy skrypt. Dla przykładu nazwijmy go: maly_rocznik_2023.pdf.


    Krok 3: Uruchom poniższy skrypt Python

    import tabula
    import pandas as pd
    import os
    
    # Ścieżka do Twojego pliku PDF
    pdf_path = "maly_rocznik_2023.pdf"
    
    # Sprawdź, czy plik istnieje
    if not os.path.isfile(pdf_path):
        raise FileNotFoundError(f"Nie znaleziono pliku: {pdf_path}. Umieść PDF w tym samym folderze co skrypt!")
    
    # Zlicz liczbę stron w PDF
    import fitz  # PyMuPDF
    with fitz.open(pdf_path) as doc:
        page_count = doc.page_count
        print(f"📄 Znaleziono {page_count} stron w dokumencie.")
    
    # Excel jako wynik
    output_excel = "tabele_z_pdf.xlsx"
    with pd.ExcelWriter(output_excel, engine="openpyxl") as writer:
        for strona in range(1, page_count + 1):
            try:
                # Wyciągnij tabele z danej strony PDF
                tables = tabula.read_pdf(pdf_path, pages=strona, multiple_tables=True, lattice=True)
                
                if len(tables) == 0:
                    print(f"⚠️ Strona {strona}: Brak tabel do wyciągnięcia.")
                    # Zapisujemy pustą tabelę, żeby zachować numerację stron
                    pd.DataFrame([f"Brak danych na stronie {strona}"]).to_excel(writer, sheet_name=f"Strona_{strona}", index=False)
                else:
                    for idx, table in enumerate(tables):
                        sheet_name = f"Strona_{strona}_{idx+1}" if len(tables) > 1 else f"Strona_{strona}"
                        table.to_excel(writer, sheet_name=sheet_name, index=False)
                        print(f"✅ Strona {strona} (tabela {idx+1}/{len(tables)}) → {sheet_name}")
            except Exception as e:
                print(f"❌ Błąd na stronie {strona}: {str(e)}")
                pd.DataFrame([f"Błąd odczytu strony {strona}: {str(e)}"]).to_excel(writer, sheet_name=f"Strona_{strona}_ERROR", index=False)
    
    print(f"\n✨ Zapisano wszystkie tabele do pliku: {output_excel}")
    

    Jak działa skrypt?

    1. Sprawdza liczbę stron w PDF za pomocą PyMuPDF.
    2. Przechodzi przez każdą stronę i próbuje wyciągnąć z niej wszystkie dostępne tabele (tabula.read_pdf).
      • Jeśli strona zawiera jedną tabelę, zapisze ją jako Strona_1.
      • Jeśli wiele tabel, dostaniesz Strona_1_1, Strona_1_2 itd.
      • Jeśli brak tabel, zapisze komunikat Brak danych na stronie X.
      • Jeśli wystąpi błąd parsowania, zapisze info o błędzie w arkuszu Strona_X_ERROR.
    3. Zapisuje wszystko do jednego pliku Excel (.xlsx), gdzie:
      • Każdy arkusz = jedna strona PDF (lub tabela z tej strony).

    Uwagi praktyczne

    1. Jakość skanowania PDF ma znaczenie:

      • Jeśli strony są zeskanowane krzywo lub jako obrazki bez warstwy tekstowej, tabula-py może mieć problem z odczytem.
      • W takiej sytuacji warto:
        • Przekonwertować zeskanowany PDF do tekstu (np. przez ABBYY PDF Transformer lub Adobe Acrobat).
        • Używać OCR (Optical Character Recognition), np. przez pytesseract + pdf2image.
    2. Czas wykonania:

      • Dla 300-stronicowego PDF może to potrwać 5–15 minut (zależnie od liczby tabel).
    3. Wynik w Excelu:

      • Otwórz tabele_z_pdf.xlsx i przeglądaj dane. Możesz od razu filtrować, które strony zawierają interesujące Cię tabele (np. "Ceny towarów").

    Co dalej?

    1. Uruchom skrypt.
    2. Otwórz wygenerowany Excel.
    3. Przeszukaj arkusze pod kątem interesujących Cię cen towarów i usług.
    4. Jeśli jakieś strony zawierają same teksty (bez tabel), to:
      • Możesz ręcznie przekopiować dane lub
      • Dodać do skryptu moduł wyciągający tekst (np. pdfplumber).

    Dodatkowy bonus: Wyszukiwanie konkretnych fraz

    Jeśli chcesz od razu filtrować tylko strony z cenami, dodaj poniższy kod przed table.to_excel:

    if "cena" in str(table).lower() or "towar" in str(table).lower():
        table.to_excel(writer, sheet_name=sheet_name, index=False)
        print(f"✅ Znaleziono tabelę z cenami na stronie {strona}!")
    else:
        print(f"😐 Strona {strona} pominięta (brak cen).")
    

    Zmodyfikuje to skrypt tak, że zapisze tylko strony zawierające słowa "cena" lub "towar".


    Masz już wszystko, czego potrzebujesz! Uruchom skrypt i ciesz się danymi w Excelu 😊. Jak pojawią się problemy – pytaj!

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.