首先，建立一个excel表格，里面随便输入一些内容。然后再新建一个word文档，在需要插入表格的地方，选择菜单：【插入(I)】-->【对象(O)...】-->出现对象对话框后，选择第二页【由文件创建(F)】-->【文件名(N)】的右边有【浏览(B)】，你可以从浏览找到你的excel文件，如果这里你点确定，直接excel文件里的内容就加到word里了，不过！！这样不会实时跟新，注意，右边还有个复选框【链接到文件(K)】，如果这里√的话，就可以达到我们预期的效果了，excel文件更新后，word文档里的内容也一起变动了。
　　这样做法的好处：当然不用说，一起更新了，而且，你打开word文档后，双击excel表格区域，可以直接打开excel表格进行编辑，编辑结束后关闭excel，在word里的excel表格鼠标右击，选择【！更新链接(D)】就可以立即更新。而且每次打开word文档，也会有对话框问你是否要更新链接。
　　这样做的坏处：就是每次打开文档都会弹出对话框需要决定是否更新，给一般用户感觉很麻烦，而且如果更新的话，每次关闭word文档都会询问你是否要保存。另一个坏处就是，如果excel文件内容巨大，那完蛋了，直接链接过来全部的excel文件，那可要忙死你了。下文我还会说一种更简单的链接方法。
　　另外说一下注意要点：那个链接的excel文档不要删除，删除后就无法编辑或者更新里面的内容了，虽然最后保存的东西还在。经过简单测试，excel改文件名、移动等操作，都不会影响word文档的自动更新。
　　如果大家有兴趣，可以试试在excel表格里插入能自动更新的word，其实操作方法基本相同。
　　中午吃午饭的时候，又仔细考虑了一下，想到了之前这种通过【对象(O)...】菜单链接excel表格是链接全部，这其实不是我预期想要的效果，难道为了配合更新特地要建立一个小区域的excel文件？那又何苦呢？虽然我考虑到了，即使链接过来的全部excel文件，可以通过修改图片的方式，例如放大缩小、裁剪(在表格鼠标右键，选择【显示“图片”工具栏】可以找到操作按钮)，但是后来我又发现了更高级的办法。听我慢慢道来……(远处飞来一只番茄，给我娴熟的躲过……)
　　现在面临的是要在word文档里插入excel大表格的局部，其实很简单，打开excel，选中你要链接到word的区域，选择复制(快捷键ctrl+c，鼠标右键点【复制(C)】，通过菜单【编辑(E)】-->【复制(C)】三种方法都可以)，然后打开word(注意！这里不要关闭excl)，点菜单【编辑(E)】-->【选择性粘贴(S)...】-->出现的“选择性粘贴”对话框左边一定要选择【粘贴链接(L)】，否则就不会自动更新了，形式选择【Microsoft Office Excel 工作表 对象】，点确定。好了，现在就和之前的样子一样了，插入了一个“图片”格式的excel表格，和之前的区别就是，鼠标右击表格，选择【链接的 工作表 对象(O)】-->【链接(K)...】，这里出现的对话框，如果点击【更改源(N)...】，在出现的更改源对话框里，可以更改excel路径(废话)，另外，在文件名(N)的右边多了一个【项目(E)...】点击可以改动excel表格中具体位置，比如Sheet1改成Sheet2，或者具体选择定位改动。不过一般原excel表格改动了还是直接复制粘贴一下比较好，用这种方法改动反而有些复杂了。
　　不过呢，以上两种方法，链接过来的表格都是“图片”格式，这种方法其实和word文档里的表格相当不兼容，操作起来很不方便，经过我再一次的努力，我又发现了一种更好的方法。以上两种方法作废，大家不用学了。(远处又飞来一只鸡蛋，被我闪开……)
　　好，和第二种方法一开始一样，打开excel，选中需要链接的表格，复制好，不要关闭，再在word里粘贴(快捷键ctrl+v，鼠标右键点【粘贴(P)】，通过菜单【编辑(E)】-->【粘贴(P)】三种方法都可以)，然后注意，表格右下角会有一个【粘贴选项】图标就是“粘贴”的图标，对，点这个，选择【保留原格式并链接到 Excel(E)】或【匹配目标区域表格样式并链接到 Excel(L)】，其实这两个点完后结果基本相同，看到了吗？表格再也不是图片形式了，是word专用的那种表格形式，这样再通过word的表格操作，是不是更方便呢？而且表格的格式不会随着excel文件格式的改变而变动，word里的表格仅提取excel文件的数值。

作者：陈熹 
来源：早起Python
大家好，在之前的办公自动化系列文章中我们已经详细介绍了如何使用python批量处理PDF文件，包括合并、拆分、水印、加密等操作。
今天我们再次回到PDF，详细讲解如何使用python从PDF提取指定的信息。我们将以一份年度报告PDF为例进行介绍，内含大量文字、表格、图片，具体如下
模块安装
首先需要安装两个模块，第一个是pdfplumber，在命令行使用pip安装即可
pip install pdfplumber
第二个是fitz, 它是pymupdf中的一个模块，同样可以使用pip轻松安装
pip install pymupdf
文字信息提取
使用python提取PDF中文字代码思路如下
利用pdfplumber打开一个 PDF 文件
获取指定的页，或者遍历每一页
利用.extract_text()方法提取当前页的文字
现在让我们用上述代码尝试提取示例数据中第12页的文字
import pdfplumberfile_path = r'C:xxxxpractice.PDF'with pdfplumber.open(file_path) as pdf:    page = pdf.pages[11]    print(page.extract_text())
结果如下图所示
接着可以将内容通过导入python-docx并借助wordfile.add_paragraph()写入Word文件中，而这个模块我们已经讲解很多次，此处就不再赘述。
表格信息提取
使用Python提取单个表格和提取单页文字的代码非常类似，用的是.extract_table()
但需要注意的是.extract_table()默认提取指定页面的第一个表格，如果当前页面有多个表格都需要提取，则要直接使用.extract_tables()
例如示例文件中第 13 页有 2 个表格，我们分别利用.extract_table()和.extract_tables()观察输出结果
import pdfplumberfile_path = r'C:xxxxpractice.PDF'with pdfplumber.open(file_path) as pdf:    page = pdf.pages[12]    print(page.extract_table())
结果如下
可以看到是一个嵌套列表，熟悉这种格式的人会理解想到可以pandas或者遍历该嵌套列表后借助openpyxl的sheet.append(list)写入Excel文件中，
import pdfplumberfile_path = r'C:xxxxpractice.PDF'with pdfplumber.open(file_path) as pdf:    page = pdf.pages[12]    print(page.extract_tables())
而.extract_tables()提取当前页所有表格会产生了一个三级嵌套列表，第一层的列表就代表每一个表格，之后也可以利用其他库写入Excel。
图片提取
对于图片提取，现在没有任何一个模块可以做到百分之百的提取。本文只介绍基于fitz模块的代码，基本思路是通过正则查找图片并将其输出
例如提取示例文件中的图片，代码可以这么写
import fitzimport reimport osfile_path = r'C:xxxpractice.PDF'dir_path = r'C:xxx' # 存放图片的文件夹def pdf2pic(path, pic_path):    checkXO = r"/Type(?= */XObject)"    checkIM = r"/Subtype(?= */Image)"    pdf = fitz.open(path)    lenXREF = pdf._getXrefLength()    imgcount = 0    for i in range(1, lenXREF):        text = pdf._getXrefString(i)        isXObject = re.search(checkXO, text)        isImage = re.search(checkIM, text)        if not isXObject or not isImage:            continue        imgcount += 1        pix = fitz.Pixmap(pdf, i)        new_name = f"img_{imgcount}.png"        if pix.n 
结果如下
可以看到成功提取了图片，但PDF中的图片远不止这些，如果你有其他思路或者方法可以在留言区与我交流。
写在最后
最后要说明的是，在上一篇文章及本文中我们剖析了每一行代码。但针对PDF的模块较多，且有些模块功能并不完善，代码也没有类似OFFICE三件套操作那般简洁，因此更多时候以理解为主，不需要完全掌握写，会用会改即可！
当然还是希望大家能够理解Python办公自动化的一个核心就是批量操作-解放双手，并且能与日常办公结合让复杂的工作自动化！

作者：陈熹 
来源：早起Python
大家好，在之前的办公自动化系列文章中我们已经详细介绍了如何使用python批量处理PDF文件，包括合并、拆分、水印、加密等操作。
今天我们再次回到PDF，详细讲解如何使用python从PDF提取指定的信息。我们将以一份年度报告PDF为例进行介绍，内含大量文字、表格、图片，具体如下
模块安装
首先需要安装两个模块，第一个是pdfplumber，在命令行使用pip安装即可 
pip install pdfplumber
第二个是fitz, 它是pymupdf中的一个模块，同样可以使用pip轻松安装
pip install pymupdf
文字信息提取
使用python提取PDF中文字代码思路如下
利用pdfplumber打开一个 PDF 文件
获取指定的页，或者遍历每一页
利用.extract_text()方法提取当前页的文字
现在让我们用上述代码尝试提取示例数据中第12页的文字 
import pdfplumber
file_path = r'C:xxxxpractice.PDF'

with pdfplumber.open(file_path) as pdf:
    page = pdf.pages[11]
    print(page.extract_text())
结果如下图所示
接着可以将内容通过导入python-docx并借助wordfile.add_paragraph()写入Word文件中，而这个模块我们已经讲解很多次，此处就不再赘述。
表格信息提取
使用Python提取单个表格和提取单页文字的代码非常类似，用的是.extract_table()
但需要注意的是.extract_table()默认提取指定页面的第一个表格，如果当前页面有多个表格都需要提取，则要直接使用.extract_tables()
例如示例文件中第 13 页有 2 个表格，我们分别利用.extract_table()和.extract_tables()观察输出结果
import pdfplumber
file_path = r'C:xxxxpractice.PDF'

with pdfplumber.open(file_path) as pdf:
    page = pdf.pages[12]
    print(page.extract_table())
结果如下
可以看到是一个嵌套列表，熟悉这种格式的人会理解想到可以pandas或者遍历该嵌套列表后借助openpyxl的sheet.append(list)写入Excel文件中，
import pdfplumber
file_path = r'C:xxxxpractice.PDF'

with pdfplumber.open(file_path) as pdf:
    page = pdf.pages[12]
    print(page.extract_tables())
而.extract_tables()提取当前页所有表格会产生了一个三级嵌套列表，第一层的列表就代表每一个表格，之后也可以利用其他库写入Excel。
图片提取
对于图片提取，现在没有任何一个模块可以做到百分之百的提取。本文只介绍基于fitz模块的代码，基本思路是通过正则查找图片并将其输出
例如提取示例文件中的图片，代码可以这么写 
import fitz
import re
import os

file_path = r'C:xxxpractice.PDF'
dir_path = r'C:xxx' # 存放图片的文件夹

def pdf2pic(path, pic_path):
    checkXO = r"/Type(?= */XObject)"
    checkIM = r"/Subtype(?= */Image)"
    pdf = fitz.open(path)
    lenXREF = pdf._getXrefLength()
    imgcount = 0
    for i in range(1, lenXREF):
        text = pdf._getXrefString(i)
        isXObject = re.search(checkXO, text)
        isImage = re.search(checkIM, text)
        if not isXObject or not isImage:
            continue
        imgcount += 1
        pix = fitz.Pixmap(pdf, i)
        new_name = f"img_{imgcount}.png"
        if pix.n < 5:
            pix.writePNG(os.path.join(pic_path, new_name))
        else:
            pix0 = fitz.Pixmap(fitz.csRGB, pix)
            pix0.writePNG(os.path.join(pic_path, new_name))
            pix0 = None
        pix = None

pdf2pic(file_path, dir_path)
结果如下
可以看到成功提取了图片，但PDF中的图片远不止这些，如果你有其他思路或者方法可以在留言区与我交流。
写在最后
最后要说明的是，在上一篇文章及本文中我们剖析了每一行代码。但针对PDF的模块较多，且有些模块功能并不完善，代码也没有类似OFFICE三件套操作那般简洁，因此更多时候以理解为主，不需要完全掌握写，会用会改即可！
当然还是希望大家能够理解Python办公自动化的一个核心就是批量操作-解放双手，并且能与日常办公结合让复杂的工作自动化！

作者：陈熹
来源：早起Python
大家好，在之前的办公自动化系列文章中我们已经详细介绍了如何使用python批量处理PDF文件，包括合并、拆分、水印、加密等操作。
今天我们再次回到PDF，详细讲解如何使用python从PDF提取指定的信息。我们将以一份年度报告PDF为例进行介绍，内含大量文字、表格、图片，具体如下
模块安装
首先需要安装两个模块，第一个是pdfplumber，在命令行使用pip安装即可
pip install pdfplumber
第二个是fitz, 它是pymupdf中的一个模块，同样可以使用pip轻松安装
pip install pymupdf
文字信息提取
使用python提取PDF中文字代码思路如下
利用pdfplumber打开一个 PDF 文件获取指定的页，或者遍历每一页利用.extract_text()方法提取当前页的文字
现在让我们用上述代码尝试提取示例数据中第12页的文字
import pdfplumberfile_path = r'C:\xxxx\practice.PDF'with pdfplumber.open(file_path) as pdf:    page = pdf.pages[11]    print(page.extract_text())
结果如下图所示
接着可以将内容通过导入python-docx并借助wordfile.add_paragraph()写入Word文件中，而这个模块我们已经讲解很多次，此处就不再赘述。
表格信息提取
使用Python提取单个表格和提取单页文字的代码非常类似，用的是.extract_table()
但需要注意的是.extract_table()默认提取指定页面的第一个表格，如果当前页面有多个表格都需要提取，则要直接使用.extract_tables()
例如示例文件中第 13有 2 个表格，我们分别利用.extract_table()和.extract_tables()观察输出结果
import pdfplumberfile_path = r'C:\xxxx\practice.PDF'with pdfplumber.open(file_path) as pdf:    page = pdf.pages[12]    print(page.extract_table())
结果如下
可以看到是一个嵌套列表，熟悉这种格式的人会理解想到可以pandas或者遍历该嵌套列表后借助openpyxl的sheet.append(list)写入Excel文件中，
import pdfplumberfile_path = r'C:\xxxx\practice.PDF'with pdfplumber.open(file_path) as pdf:    page = pdf.pages[12]    print(page.extract_tables())
而.extract_tables()提取当前页所有表格会产生了一个三级嵌套列表，第一层的列表就代表每一个表格，之后也可以利用其他库写入Excel。
图片提取
对于图片提取，现在没有任何一个模块可以做到百分之百的提取。本文只介绍基于fitz模块的代码，基本思路是通过正则查找图片并将其输出
例如提取示例文件中的图片，代码可以这么写
import fitzimport reimport osfile_path = r'C:\xxx\practice.PDF'dir_path = r'C:\xxx' # 存放图片的文件夹def pdf2pic(path, pic_path):    checkXO = r"/Type(?= */XObject)"    checkIM = r"/Subtype(?= */Image)"    pdf = fitz.open(path)    lenXREF = pdf._getXrefLength()    imgcount = 0    for i in range(1, lenXREF):        text = pdf._getXrefString(i)        isXObject = re.search(checkXO, text)        isImage = re.search(checkIM, text)        if not isXObject or not isImage:            continue        imgcount += 1        pix = fitz.Pixmap(pdf, i)        new_name = f"img_{imgcount}.png"        if pix.n < 5:            pix.writePNG(os.path.join(pic_path, new_name))        else:            pix0 = fitz.Pixmap(fitz.csRGB, pix)            pix0.writePNG(os.path.join(pic_path, new_name))            pix0 = None        pix = Nonepdf2pic(file_path, dir_path)
结果如下
可以看到成功提取了图片，但PDF中的图片远不止这些，如果你有其他思路或者方法可以在留言区与我交流。
写在最后
最后要说明的是，在上一篇文章及本文中我们剖析了每一行代码。但针对PDF的模块较多，且有些模块功能并不完善，代码也没有类似OFFICE三件套操作那般简洁，因此更多时候以理解为主，不需要完全掌握写，会用会改即可！
当然还是希望大家能够理解Python办公自动化的一个核心就是批量操作-解放双手，并且能与日常办公结合让复杂的工作自动化！