Zatem lepiej będzie jeśli napiszesz mi program który czyta tabelki z wszystkich stron…
- 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.
Assistant
Świetna decyzja! 😊
Poniżej znajdziesz gotowy skrypt w Pythonie, który:
- Pobiera plik PDF (np. Mały Rocznik Statystyczny GUS) z dysku lokalnego.
- Wydobywa wszystkie tabele ze stron PDF-a (niezależnie od układu, struktury czy jakości skanowania).
- Zapisuje każdą stronę jako osobny arkusz w pliku Excel (.xlsx).
Do działania potrzebne będą trzy biblioteki:
PyMuPDF(dawniejfitz) – 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 openpyxlUwaga:
openpyxljest wymagany przezpandasdo 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?
- Sprawdza liczbę stron w PDF za pomocą
PyMuPDF. - 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_2itd. - Jeśli brak tabel, zapisze komunikat
Brak danych na stronie X. - Jeśli wystąpi błąd parsowania, zapisze info o błędzie w arkuszu
Strona_X_ERROR.
- Jeśli strona zawiera jedną tabelę, zapisze ją jako
- Zapisuje wszystko do jednego pliku Excel (.xlsx), gdzie:
- Każdy arkusz = jedna strona PDF (lub tabela z tej strony).
Uwagi praktyczne
-
Jakość skanowania PDF ma znaczenie:
- Jeśli strony są zeskanowane krzywo lub jako obrazki bez warstwy tekstowej,
tabula-pymoże 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.
- Jeśli strony są zeskanowane krzywo lub jako obrazki bez warstwy tekstowej,
-
Czas wykonania:
- Dla 300-stronicowego PDF może to potrwać 5–15 minut (zależnie od liczby tabel).
-
Wynik w Excelu:
- Otwórz
tabele_z_pdf.xlsxi przeglądaj dane. Możesz od razu filtrować, które strony zawierają interesujące Cię tabele (np. "Ceny towarów").
- Otwórz
Co dalej?
- Uruchom skrypt.
- Otwórz wygenerowany Excel.
- Przeszukaj arkusze pod kątem interesujących Cię cen towarów i usług.
- 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!
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.