Python处理CSV转PDF：按col1分组添加分页符并重复表头

最规范且易维护的方式是将每个col1分组拆分为独立的HTML表格，配合CSS的分页属性实现分组后自动分页，同时每个表格自带表头，满足每页重复列标题的需求。以下是具体实现步骤：

步骤1：数据处理（读取、过滤、排序、分组） #

在现有流程基础上，补充按col1分组的逻辑：

import pandas as pd
import pdfkit

# 读取并处理数据
df = pd.read_csv(input_filename, encoding="utf-8")
filtered_df = df[some_condition]
# 按col1排序确保分组连续
sorted_df = filtered_df.sort_values('col1')

# 按col1拆分分组
groups = sorted_df.groupby('col1')

步骤2：生成带表头的分组表格HTML #

遍历每个分组，为每个分组生成完整的带表头表格，并在除最后一个分组外的表格后添加分页标记：

# 定义HTML基础结构与样式
html_head = """
<!DOCTYPE html>
<html>
<head>
    <meta charset="UTF-8">
    <style>
        .s-table { border-collapse: collapse; width: 100%; }
        .s-table th, .s-table td { border: 1px solid #ddd; padding: 8px; text-align: left; }
        .s-table th { background-color: #f2f2f2; }
        /* 分组后强制分页 */
        .page-break { page-break-after: always; }
    </style>
</head>
<body>
"""

html_foot = """
</body>
</html>
"""

# 拼接所有分组内容
html_content = []
total_groups = len(groups)
for idx, (_, group_df) in enumerate(groups):
    # 为当前分组生成带表头的表格
    table_html = group_df.to_html(index=False, classes='s-table')
    html_content.append(table_html)
    # 非最后一个分组，添加分页标记
    if idx != total_groups - 1:
        html_content.append('<div class="page-break"></div>')

# 组合成完整HTML字符串
html_string = html_head + '\n'.join(html_content) + html_foot

步骤3：生成PDF #

用pdfkit将拼接好的HTML转为PDF，常规配置即可：

pdfkit_options = {
    'encoding': 'UTF-8',
    'page-size': 'A4',
    'margin-top': '10mm',
    'margin-right': '10mm',
    'margin-bottom': '10mm',
    'margin-left': '10mm'
}

pdfkit.from_string(html_string, outfile_name, options=pdfkit_options)

方案优势 #

• 结构规范：避免了插入"幽灵行"这类hack操作，HTML逻辑清晰，后续修改样式或需求更便捷。
• 天然满足需求：每个分组表格自带表头，自动实现每页重复列标题；CSS分页属性精准控制分组后分页。
• 灵活性强：可通过修改CSS快速调整表格样式、分页行为，也能针对特定分组做自定义处理。

对其他思路的补充说明 #

1. 幽灵行方案：属于不规范的hack手段，后续修改表格结构或样式时容易引发兼容性问题，不推荐。
2. pdfkit/pandas原生选项：pandas的to_html无直接分页参数；pdfkit的全局选项无法实现分组级精准分页，此路径不可行。
3. 替代方案：如果需要更复杂的PDF排版，可考虑reportlab或weasyprint，但学习成本更高，当前拆分表格的方案已能简洁满足需求。

内容的提问来源于stack# 实现按分组添加分页符并重复表头的PDF生成方案

需求概述 #

处理CSV数据，经过过滤、排序后生成PDF，需满足以下要求：

• 按col1列的分组（值变更处）添加分页符
• 每页PDF自动重复表格列标题

现有工作流程 #

df = pd.read_csv(input_filename, encoding="")
filtered_df = df[some_condition]
filtered_df = filtered_df.sort_values(some_other_condition)
html_table = filtered_df.to_html(index=False)
html_string = html_head + html_something + html_table + html_something_else + html_foot
pdfkit.from_string(html_string, outfile_name, options=pdfkit_options)

推荐实现方案 #

方案：拆分分组表格 + CSS控制分页与表头重复 #

这是最规范且易维护的方案，无需插入“幽灵行”，利用HTML/CSS原生特性实现需求：

1. 按col1拆分DataFrame为独立分组
2. 为每个分组生成带表头的表格HTML
3. 通过CSS规则实现表头每页重复、分组后自动分页

具体代码实现 #

import pandas as pd
import pdfkit

# 1. 读取与预处理数据
df = pd.read_csv(input_filename, encoding="")
filtered_df = df[some_condition]
# 确保先按col1排序，保证分组连续
sorted_df = filtered_df.sort_values(['col1'] + some_other_condition)

# 2. 按col1分组并生成每个分组的表格HTML
groups = sorted_df.groupby('col1')
group_table_htmls = []

for idx, (_, group_df) in enumerate(groups):
    # 生成当前分组的完整表格（含表头）
    table_html = group_df.to_html(index=False, classes='s-table')
    # 给非最后一个分组的表格添加分页容器
    if idx != len(groups) - 1:
        wrapped_table = f'<div class="page-break-group">{table_html}</div>'
    else:
        wrapped_table = table_html
    group_table_htmls.append(wrapped_table)

# 3. 构建带CSS规则的完整HTML
html_content = f"""
<html>
<head>
    <style>
        /* 强制表头在PDF每页重复显示 */
        thead {{
            display: table-header-group;
        }}
        /* 每个分组表格后添加分页符 */
        .page-break-group {{
            page-break-after: always;
        }}
        /* 基础表格样式 */
        .s-table {{
            width: 100%;
            border-collapse: collapse;
        }}
        .s-table th, .s-table td {{
            border: 1px solid #000;
            padding: 8px;
        }}
    </style>
</head>
<body>
    {"".join(group_table_htmls)}
</body>
</html>
"""

# 4. 生成PDF
pdfkit_options = {
    'page-size': 'A4',
    'margin-top': '0.75in',
    'margin-right': '0.75in',
    'margin-bottom': '0.75in',
    'margin-left': '0.75in',
}
pdfkit.from_string(html_content, outfile_name, options=pdfkit_options)

方案优势 #

• 完全符合HTML/CSS规范，避免hack式的“幽灵行”操作
• 表头重复和分页逻辑依赖CSS原生属性，稳定可靠
• 分组表格结构清晰，便于后续调整样式或扩展功能

其他方案说明 #

• 幽灵行标记法：虽能实现，但需额外解析替换HTML内容，后期维护成本高，易出现格式兼容问题，不推荐。
• 内置选项依赖：pandas.to_html无直接添加分页的参数；pdfkit的全局选项无法实现分组级精准分页，因此不适用。
• 直接PDF生成库：如reportlab或fpdf2可直接操作数据生成PDF，但代码复杂度远高于HTML+CSS方案，灵活性不足。

内容的提问来源于stack exchange，提问作者Matthias W.