Tutorial de Conversión de PDFs a Excel con Python Pandas

Los datos reportados en informes muchas veces estan en formato digital como PDF, o peor aun como una imagen. El proceso de recuperación de datos es manual y puede ser muy lento dependiendo de la cantidad de datos que se quieran procesar. Una manera inteligente de acceder a estos datos es mediante un lenguaje de programación como Python, y paquetes especialidos de manejo de datos como Tabula-py y Pandas.

Este tutorial muestra el procedimiento completo de importación de un pdf en Python3 y la configuracion de un Dataframe de Pandas específico para luego exportarlo como archivo de MSExcel.

Este tutorial se realizó utilizando Anaconda que pueden descargar de:

https://www.anaconda.com/download/

Se requiere tener Java instalado:

https://www.java.com/es/download/

Tutorial

Código en Python

Este es el código completo en Python 3 para este tutorial:

from tabula import read_pdf

df = read_pdf('../Pdfs/Libro1.pdf',
              guess=False,
              pandas_options={'skiprows':[0,1],'header':None} 
             )
df.head()

headers = ['Mes','Dia','Año','PptSalpo','TempMax','TempMin','Ppt','Wind','Hum','Solar']
df.columns = headers

df.head()

df.to_excel('../Xls/Libro1.xlsx')

Datos de ingreso

Usted puede acceder a los datos y codigos utilizados en este tutorial de este enlace.