怎么用Python库实现Excel和PDF批量处理自动化

一、核心Python库选型与任务边界划分

实现自动化前，第一步是根据文件格式特点与处理深度选择匹配度最高的库。Excel 与 PDF 的底层存储机制完全不同：Excel 是结构化的电子表格数据，而 PDF 本质上是基于排版指令的固定布局文档。因此，需要针对任务场景进行工具分工。

对于 Excel 处理：

• pandas：专注于结构化表格的大规模批量操作、统计汇总、清洗过滤和多表拼接。当每个表格包含大量行且只关注数据本身时，pandas 的处理速度和代码精简度具有明显优势。
• openpyxl：专注于 .xlsx 文件的深度操作。如果需要保留原工作表的单元格背景色、边框样式、多级表头、复杂公式或操作多个特定命名的 Sheet，openpyxl 是首选。

对于 PDF 处理：

• pypdf：适合宏观页面层级的操作，例如将几十个 PDF 文件的特定页面截取并合并为一个总文件，或者进行批量页面旋转、加密和水印添加。
• pdfplumber：建立在 pdfminer 之上，具有强大的几何坐标识别能力。它能够高精度解析文本排版，并自动识别表格网格线，将 PDF 中的发票、对账单表格逐行提取为结构化数据。

图1：Excel 与 PDF 自动化处理工具矩阵与核心应用场景

二、Excel批量处理实战：多表格扫描、清洗与自动合并

最常见的 Excel 自动化需求是将各部门或各分支机构提交的大量周报、考勤表、清单合并为一个完整的汇总表。手动打开文件、复制、粘贴不仅耗时，还极易遗漏或因表头不一致出错。

编写批量脚本时，推荐采用标准三步法：

1. 目录扫描与安全过滤：使用 Python 内置的 pathlib.Path 遍历目标目录，必须过滤掉文件名以 ~$ 开头的临时锁文件。
2. 逐表读取与标准化标记：使用 pandas.read_excel 载入数据，同时为每行数据新增一列记录源文件名或部门，便于后续追溯；清理多余空行与两端空格。
3. 内存拼接与统一写出：将每个子表的 DataFrame 添加到列表中，最后调用 pd.concat 一次性拼接并输出到新的汇总文件。

图2：Excel 批量扫描、字段对齐与汇总导出全流程

下面是一个完整的生产级 Excel 批量合并脚本：

from pathlib import Path
import pandas as pd

def batch_merge_excel(source_dir: str, output_path: str):
    """
    遍历 source_dir 目录下所有 .xlsx 表格并合并为一个总表
    """
    folder = Path(source_dir)
    excel_files = [f for f in folder.glob("*.xlsx") if not f.name.startswith("~$")]
    
    if not excel_files:
        print(f"提示：在 {source_dir} 未找到可用的 .xlsx 文件")
        return

    frames = []
    total_files = len(excel_files)
    print(f"找到 {total_files} 个有效表格，开始读取...")

    for idx, file_path in enumerate(excel_files, start=1):
        try:
            # 读取第一个工作表
            df = pd.read_excel(file_path, engine="openpyxl")
            # 丢弃完全为空的行
            df.dropna(how="all", inplace=True)
            if df.empty:
                continue
            
            # 增加数据溯源字段
            df["源文件名"] = file_path.name
            frames.append(df)
            print(f"[{idx}/{total_files}] 成功解析: {file_path.name}，行数: {len(df)}")
        except Exception as e:
            print(f"[{idx}/{total_files}] 解析失败 {file_path.name}: {e}")

    if not frames:
        print("未提取到任何有效数据，操作终止。")
        return

    # 一次性快速拼接
    merged_df = pd.concat(frames, ignore_index=True)
    
    # 输出合并后的文件
    output_file = Path(output_path)
    output_file.parent.mkdir(parents=True, exist_ok=True)
    merged_df.to_excel(output_file, index=False, engine="openpyxl")
    print(f"合并完成！总计汇入 {len(merged_df)} 行数据，已保存至: {output_path}")

if __name__ == "__main__":
    batch_merge_excel("./monthly_reports", "./output/汇总报表.xlsx")

三、PDF批量处理实战：页面操作与结构化表格抽取

处理 PDF 时，通常分为两种不同业务场景：一种是文档级页面归档（如将每位员工的劳动合同前两页抽出并按工号顺序合并为单文件）；另一种是数据级内容抽取（如读取财务发票中的发票代码、金额与开票明细，写入系统数据库）。

1. 场景一：批量提取特定页并合并归档（pypdf）

pypdf 提供了轻量级的 PdfWriter 和 PdfReader，不需要安装额外的系统级 PDF 渲染依赖，速度快且资源开销小：

from pathlib import Path
from pypdf import PdfReader, PdfWriter

def batch_extract_and_merge_pdf(input_dir: str, output_merged_pdf: str, page_index: int = 0):
    """
    提取 input_dir 目录下所有 PDF 的指定页面（默认第1页）并合并为单一 PDF
    """
    folder = Path(input_dir)
    pdf_files = sorted(folder.glob("*.pdf"))
    
    writer = PdfWriter()
    count = 0

    for pdf_path in pdf_files:
        try:
            reader = PdfReader(pdf_path)
            if len(reader.pages) > page_index:
                # 抽取指定页面
                page = reader.pages[page_index]
                writer.add_page(page)
                count += 1
        except Exception as e:
            print(f"读取 PDF 出错 {pdf_path.name}: {e}")

    with open(output_merged_pdf, "wb") as f_out:
        writer.write(f_out)
    
    print(f"成功将 {count} 个 PDF 的第 {page_index + 1} 页合并至 {output_merged_pdf}")

2. 场景二：批量从PDF中抽取结构化表格（pdfplumber）

针对内含表格的 PDF 文件，使用 pdfplumber 可以定位表格线并将其转为标准的 Python 二维列表，随后能够直接封装为 DataFrame 写入 Excel：

from pathlib import Path
import pdfplumber
import pandas as pd

def extract_tables_from_pdfs(pdf_dir: str, output_excel: str):
    """
    批量遍历目录下的 PDF 文件，提取所有表格并整合导出为 Excel
    """
    folder = Path(pdf_dir)
    all_rows = []
    headers = None

    for pdf_file in folder.glob("*.pdf"):
        with pdfplumber.open(pdf_file) as pdf:
            for page_num, page in enumerate(pdf.pages, start=1):
                # 提取页面中的所有表格
                tables = page.extract_tables()
                for table in tables:
                    if not table or len(table) < 2:
                        continue
                    # 确定表头
                    if headers is None:
                        headers = [str(col).strip() if col else f"列_{i}" for i, col in enumerate(table[0])]
                    
                    # 提取数据行
                    for row in table[1:]:
                        clean_row = [str(cell).strip() if cell is not None else "" for cell in row]
                        clean_row.append(pdf_file.name)
                        all_rows.append(clean_row)

    if headers and all_rows:
        export_headers = headers + ["来源文件"]
        result_df = pd.DataFrame(all_rows, columns=export_headers)
        result_df.to_excel(output_excel, index=False)
        print(f"已成功从 PDF 批量抽取 {len(result_df)} 条表格数据，保存至 {output_excel}")

图3：PDF 批量解析与跨格式流转架构示意图

四、批量自动化任务的健壮执行框架

处理单个文件时代码写得再优雅，一旦进入上百个文件的批量循环，往往会遇到隐藏坑点：有的文件被其他程序占用加锁、个别文件格式损坏、表头被人工修改、或者内存被海量中间变量撑爆。生产级的自动化脚本必须具备健全的容错与恢复机制。

图4：企业级批量自动化任务的稳定性保障体系

五、总结

利用 Python 实现 Excel 和 PDF 批量处理自动化的本质，是把原本人工点击鼠标的重复动作，拆解为标准的数据流处理环节。在实际工程落地中：

• 对于 Excel，根据是否需要保留格式，选择 openpyxl（保样式）或 pandas（做统计与合并）；
• 对于 PDF，页面层面的批量拼装拆分选择 pypdf，深入到文档内部提取表格与文本字段则选用 pdfplumber；
• 建立以 pathlib 为基础的文件遍历架构，辅以异常沙箱与日志审计机制，就能构建出稳定、高效且具备自我容错能力的自动化办公利器。