python 批量提取pdf年报指定部分内容（自定义开始和结尾），并保存到txt，用excel表自定义读取文件名称

您好，这个任务可以使用Python的pdfminer库来实现。下面是一个大致的思路：

1. 首先需要安装pdfminer库，可以使用pip命令进行安装：

   pip install pdfminer

2. 在Excel表格中，可以使用pandas库来读取文件名。具体操作可以参考下面的代码：

   import pandas as pd
   
   # 读取Excel表格
   df = pd.read_excel('file_names.xlsx')
   
   # 获取文件名列表
   file_names = df['file_name'].tolist()

3. 接下来可以编写读取PDF文件并提取指定部分内容的函数。比如，我们可以读取每一页PDF文件的文本内容，然后根据指定的开始和结尾字符串来提取指定的内容。具体操作可以参考下面的代码：

   from pdfminer.high_level import extract_text
   
   def extract_content(file_path, start_str, end_str):
       # 读取PDF文件内容
       text = extract_text(file_path)
   
       # 查找起始位置
       start_idx = text.find(start_str)
   
       if start_idx == -1:
           return ''
   
       # 查找结束位置
       end_idx = text.find(end_str, start_idx)
   
       if end_idx == -1:
           return ''
   
       # 提取内容
       content = text[start_idx:end_idx + len(end_str)]
   
       return content

4. 最后可以将提取到的内容保存到TXT文件中。具体操作可以参考下面的代码：

   def save_to_txt(content, file_path):
       with open(file_path, 'w', encoding='utf-8') as f:
           f.write(content)
   
   # 示例用法
   content = extract_content('example.pdf', '开始字符串', '结束字符串')
   save_to_txt(content, 'example.txt')

综合以上步骤，可以编写一个完整的程序来批量提取PDF年报中指定部分内容，并保存到TXT文件中。下面是一个示例代码：

import os
import pandas as pd
from pdfminer.high_level import extract_text

def extract_content(file_path, start_str, end_str):
    # 读取PDF文件内容
    text = extract_text(file_path)

    # 查找起始位置
    start_idx = text.find(start_str)

    if start_idx == -1:
        return ''

    # 查找结束位置
    end_idx = text.find(end_str, start_idx)

    if end_idx == -1:
        return ''

    # 提取内容
    content = text[start_idx:end_idx + len(end_str)]

    return content

def save_to_txt(content, file_path):
    with open(file_path, 'w', encoding='utf-8') as f:
        f.write(content)

# 读取Excel表格
df = pd.read_excel('file_names.xlsx')

# 获取文件名列表
file_names = df['file_name'].tolist()

# 提取指定部分内容并保存到TXT文件中
for file_name in file_names:
    # 构造PDF文件路径
    file_path = os.path.join('pdf_files', file_name)

    # 提取内容
    content = extract_content(file_path, '开始字符串', '结束字符串')

    # 构造TXT文件路径
    txt_file_name = file_name.replace('.pdf', '.txt')
    txt_file_path = os.path.join('txt_files', txt_file_name)

    # 保存到TXT文件中
    save_to_txt(content, txt_file_path)

需要注意的是，以上代码中的“开始字符串”和“结束字符串”需要根据具体情况进行替换。同时，也需要将Excel表格中的“file_name”列改为实际的文件名列。