GI Excel PDF Process

---

name: gi-excel-pdf-process description: Process Excel and PDF files - extract data, parse tables, generate reports. Use when working with .xlsx, .xls, .csv, .pdf files, or when the user mentions spreadsheet, PDF extraction, or report generation. tags: ["excel", "pdf", "spreadsheet", "data-extraction", "report", "python"]

---

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

1. 数据准备：从 API/DB 或 Excel 获取数据，用 pandas 清洗 2. 计算/聚合：按业务逻辑生成汇总表 3. 输出： - Excel：df.to_excel() - PDF：可用 reportlab 或先生成 Excel 再转 PDF

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