自动截取基金定期报告的运行分析部分

#自动读取文件夹内的各基金报告pdf，提取里面的运行报告，并汇总保存到word表格
from pathlib import Path
import pdfplumber
import pandas as pd
import docx
import os

p = Path("E:/基金报告爬取/")  #读取路劲

FileList = list(p.glob("*.pdf"))
#print(FileList)
count = 0
for fp in FileList:
    #print(fp)
    with pdfplumber.open(fp) as pdf:
        content = ''
    #len(pdf.pages)为PDF文档页数
        for i in range(len(pdf.pages)):
        #pdf.pages[i] 是读取PDF文档第i+1页
            page = pdf.pages[i]
        #page.extract_text()函数即读取文本内容，下面这步是去掉文档最下面的页码
            page_content = 'n'.join(page.extract_text().split('n')[:-1])
            content = content + page_content
    #切片内容
    name =  os.path.split(os.path.splitext(fp)[0])[1]#截取fp路径的无后缀路径，在截取文件路径中的文件名
    strategy = content.split('投资策略和运作分析')[1].split('报告期内基金的业绩表现')[0]

    strategy = strategy.replace('n','')#去掉内容内的换行符，因为word会自动换行

    #打开docx
    doc = docx.document(r'E:基金报告爬取基金季度报告.docx')
    table = doc.add_table(rows=1, cols=2)
    title_cells = table.rows[0].cells
    title_cells[0].text =name
    title_cells[1].text =strategy
    doc.save(r'E:基金报告爬取基金季度报告.docx')
    count+=1
    print("r当前进度: {:.2f}%".format(count*100/len(FileList)),end="")

功能：

已经下载完毕的基金季报或年报，自动截取其中的运行报告，存储到word中

优化了工作进程%比打印出来

涉及到的语言知识点：

• pathlib库获取文件夹下所有文件路径
• pdfplumber库读取pdf文件和编辑功能
• os获取pdf文件名功能
• docx库写入表格功能

目前缺点：

word文件必须一开始就有，如果是第一次运行，没有文件，程序会报错