如何用Python将PDF词汇列表转为可导入Google Sheets的三列表格

问题描述 #

作为教师，需要将包含词汇、音标和对应数字的PDF转换为vocab、API（音标）、number三列的CSV文件，方便直接粘贴到Google Sheets。PDF的文本结构为：

词汇+音标行
对应数字行
（交替重复）

示例PDF文本：

do your best duː jɔː best
33, 81
do your hair/make-up duː jɔː heə/ ˈmeɪkʌp
81
...

原代码尝试提取PDF文本并保存为CSV，但生成空白文件，且未处理三列结构。

原代码问题分析 #

1. 仅将每行文本作为单列写入CSV，未处理PDF的交替行结构，无法生成三列数据
2. 未对词汇和音标行进行拆分，无法分离出vocab和API列
3. 若extract_text未正确提取PDF内容，也会导致空白CSV（需确保PDF可被文本提取）

修正后的代码 #

import os
import csv
import re
from pdfminer.high_level import extract_text

base_path = r"C:\Users\PC\OneDrive\Desktop\New folder"
pdf_file = os.path.join(base_path, "vocab.pdf")
csv_file = os.path.join(base_path, "vocab.csv")

# 提取PDF文本并过滤空行
text = extract_text(pdf_file)
lines = [line.strip() for line in text.splitlines() if line.strip()]

# 定义正则：匹配词汇部分（英文短语）和音标部分（IPA）
vocab_pattern = re.compile(r'([a-zA-Z\'\/\s]+)\s+([^\s].*)')

with open(csv_file, "w", newline="", encoding="utf-8") as f:
    writer = csv.writer(f)
    # 写入表头
    writer.writerow(["vocab", "API", "number"])
    
    # 每两行一组处理：词汇音标行 + 数字行
    for i in range(0, len(lines), 2):
        if i + 1 >= len(lines):
            break  # 防止最后一行无对应数字行
        
        vocab_line = lines[i]
        number_line = lines[i+1]
        
        # 拆分词汇和音标
        match = vocab_pattern.match(vocab_line)
        if match:
            vocab = match.group(1).strip()
            api = match.group(2).strip()
            # 写入三列数据
            writer.writerow([vocab, api, number_line])

print(f"Done! CSV文件已生成：{csv_file}")

代码说明 #

• 文本提取与过滤：提取PDF文本后，过滤掉空行，确保只处理有效内容
• 正则拆分：通过正则表达式准确分离英文词汇短语和IPA音标，适配带空格、撇号、斜杠的词汇
• 分组处理：按每两行一组的逻辑，将词汇音标行和数字行合并为一行三列数据
• CSV写入：写入表头和处理后的三列数据，生成的CSV可直接复制粘贴到Google Sheets

内容的提问来源于stack exchange，提问作者Hưng Phạm Đăng