Chào các bác, dạo này em đang vật lộn với đống file PDF báo cáo thu thập từ nhiều nguồn khác nhau. Mỗi lần cần tổng hợp số liệu là lại mất cả buổi sáng ngồi copy-paste thủ công, vừa tốn thời gian mà lại dễ sai sót.
Sau một hồi tìm tòi, em có vọc vạch được một script Python nho nhỏ để giải quyết vấn đề này. Ý tưởng là sẽ tự động duyệt qua các file PDF trong một thư mục, trích xuất những thông tin cần thiết (ví dụ: số liệu doanh thu, tên khách hàng...) rồi gom tất cả vào một file Excel duy nhất.
Script này sử dụng thư viện tabula-py để đọc bảng biểu từ PDF và thư viện pandas để xử lý dữ liệu và xuất ra Excel.
Cụ thể các bước chính là:
- Sử dụng
osđể liệt kê tất cả các file PDF trong thư mục chỉ định. - Dùng
tabula.read_pdf()để đọc dữ liệu từ từng file PDF. Lưu ý là cần xác định đúngpagevàareanếu bảng biểu không nằm ở vị trí cố định. - Dùng
pandas.concat()để ghép các DataFrame lại với nhau. - Cuối cùng, dùng
df.to_excel()để lưu kết quả ra file Excel.
Em thấy cách này khá hiệu quả, giảm thiểu đáng kể thời gian xử lý thủ công. Bác nào đang gặp tình trạng tương tự có thể tham khảo và tùy chỉnh cho phù hợp nhé. Nếu cần em có thể chia sẻ chi tiết hơn về đoạn code ạ.