dfelf 0.2.1

Data File Elf

dfelf

由于日常工作需要（有时候还有写blog的需要），总是要处理一些数据文件，很多繁琐的工作希望可以有一个文件精灵来帮我处理，所以就把过去写的小工具重新整理下，形成“数据文件精灵”（“dfelf”）。

“dfelf”为“Data File Elf”的缩写。

因为日常总是需要处理如下文件：

• PDF
• CSV
• 图片

所以数据文件精灵初步设计可以支持以上三类文件的日常处理需要。

自v0.1.4版本开始支持silent模式，即不进行IO处理、不输出文件，相关方法中增加silent参数，默认值为False。

安装

conda install -c conda-forge poppler

pip install --upgrade dfelf

PDFFileElf

PDF文件精灵用于日常对pdf文件的处理应用。相关方法如下：

• create：抽取一个或多个PDF文件中相关页重新排列组合成一个新的PDF文件；对应的配置设定为create。

PDFFileElf.create(input_obj=None, silent: bool = False, **kwargs)

• image2pdf：将图片文件拼接成一个PDF文件，每个图片为一页；对应的配置设定为image2pdf。

PDFFileElf.image2pdf(input_obj: list = None, silent: bool = False, **kwargs)

• to_image：将PDF文件相关页输出成图片，每一页为一个图片，以页码为文件后续；对应的配置设定为2image。

PDFFileElf.to_image(input_obj: pymupdf.Document = None, silent: bool = False, **kwargs)

• remove：将PDF文件中指定的页面删除后输出PDF文件；对应的配置设定为remove。

PDFFileElf.remove(input_obj: pymupdf.Document = None, silent: bool = False, **kwargs)

• extract_images：将PDF文件中指定的页面或整个PDF文件（当pages配置为空list时，表示整个PDF文件）的图片进行提取；对应的配置设定为extract_images。

PDFFileElf.extract_images(input_obj: pymupdf.Document = None, silent: bool = False, **kwargs)

• extract_fonts：将PDF文件中的字体导出到指定的output目录中。

PDFFileElf.extract_fonts(input_obj=None, silent: bool = False, **kwargs)

• rotate_pages：将PDF文件中指定的页面进行顺时针旋转处理后，把处理后的PDF输出到新的PDF文件中。

PDFFileElf.rotate_pages(input_obj: pymupdf.Document = None, silent: bool = False, **kwargs)

以下方法从0.2.0版本开始废弃，改用create统一实现

• reorganize：抽取PDF文件中相关页重新排列组合成一个新的PDF文件；对应的配置设定为reorganize。 PDFFileElf.reorganize(input_obj=None, silent: bool = False, **kwargs)
• merge：将PDF文件按顺序合并为一个PDF文件；对应的配置设定为merge。 PDFFileElf.merge(input_obj: list = None, silent: bool = False, **kwargs)

另外，remove_watermark未完善，0.2.0版本开始暂时不提供服务

• remove_watermark：将PDF文件中指定的水印文本关键词所在的区域文本清除。 PDFFileElf.remove_watermark(input_obj=None, silent: bool = False, **kwargs)

配置文件设定如下：

{
    "create": {
        "input": [
            {
                "file": "input_filename_01",
                "pages": []
            },
            {
                "file": "input_filename_02",
                "pages": []
            }
        ],
        "output": "output_filename"
    },
    "image2pdf": {
        "images": [],
        "output": "output_filename"
    },
    "to_image": {
        "input": "input_filename",
        "output": "output_filename_prefix",
        "format": "png",
        "dpi": 200,
        "pages": [
            1
        ]
    },
    "remove": {
        "input": "input_filename",
        "output": "output_filename",
        "pages": [
            1
        ]
    },
    "extract_images": {
        "input": "input_filename",
        "output": "output_filename_prefix",
        "pages": [
            1
        ]
    },
    "remove_watermark": {
        "input": "input_filename",
        "output": "output_filename",
        "keywords": []
    },
    "extract_fonts": {
        "input": "input_filename",
        "output": "output_directory"
    },
    "rotate_pages": {
        "input": "input_filename",
        "output": "output_filename",
        "pages": [
            "1|90"
        ]
    }
}

• 自v0.1.4版本开始，PDFFileElf.to_image中的pages设置为“[ ]”（空列表），表示全量输出，即把整个PDF文件的每一页都输出为图片。

• 自v0.1.5版本开始，支持PDFFileElf.merge

• 自v0.1.6版本开始，支持PDFFileElf.remove和PDFFileElf.extract_images

• 自v0.1.13版本开始，支持PDFFileElf.remove_watermark、PDFFileElf.extract_fonts

• 自v0.2.1版本开始，支持支持PDFFileElf.rotate_pages。

对于PDFFileElf.extract_images的pages配置，若为空list，即"[ ]"，表示对整个文件的图片进行提取。

CSVFileElf

CSV文件精灵用于日常对csv文件的处理应用。相关方法如下：

• add：将tags下定义的csv文件，按照key进行匹配，补充相关字段到base的csv文件中；对应的配置设定为add。

CSVFileElf.add(input_obj=None, silent: bool = False, **kwargs)

• join：将files下定义的csv文件，拼接到base的csv文件中；对应的配置设定为join。

CSVFileElf.join(input_obj=None, silent: bool = False, **kwargs)

• exclude：根据exclusion下定义的条件（op支持的操作有：'=', '!=', '>', '>=', '<=', '<'），对input的csv文件内容进行剔除处理；对应的配置设定为exclude。

CSVFileElf.exclude(input_obj=None, silent: bool = False, **kwargs)

• filter：根据filters下定义的条件（op支持的操作有：'=', '!=', '>', '>=', '<=', '<'），对input的csv文件内容进行筛选处理；对应的配置设定为filter。

CSVFileElf.filter(input_obj=None, silent: bool = False, **kwargs)

• split：根据key对input的csv文件进行拆解处理；对应的配置设定为split。

CSVFileElf.split(input_obj=None, silent: bool = False, **kwargs)

• merge：基于on对input的csv文件进行合并处理；对应的配置设定为merge。

CSVFileElf.merge(input_obj=None, silent: bool = False, **kwargs)

配置文件设定如下：

{
    'add': {
        'base': {
            'name': 'base_filename',
            'key': 'key_field',
            'drop_duplicates': False,
        },
        'output': {
            'name': 'output_filename',
            'BOM': False,
            'non-numeric': []
        },
        'tags': [
            {
                'name': 'tags_filename',
                'key': 'key_field',
                'fields': ['field A', 'field B'],
                'defaults': ['default value of field A', 'default value of field B']
            }
        ]
    },
    'join': {
        'base': 'base_filename',
        'output': {
            'name': 'output_filename',
            'BOM': False,
            'non-numeric': []
        },
        'files': [
            {
                'name': 'join_filename',
                'mappings': {}
            }
        ]
    },
    'exclude': {
        'input': 'input_filename',
        'exclusion': [
            {
                'key': 'field',
                'op': '=',
                'value': 123
            }
        ],
        'output': {
            'name': 'output_filename',
            'BOM': False,
            'non-numeric': []
        }
    },
    'filter': {
        'input': 'input_filename',
        'filters': [
            {
                'key': 'field',
                'op': '=',
                'value': 123
            }
        ],
        'output': {
            'name': 'output_filename',
            'BOM': False,
            'non-numeric': []
        }
    },
    'split': {
        'input': 'input_filename',
        'output': {
            'prefix': 'output_filename_prefix',
            'BOM': False,
            'non-numeric': []
        },
        'key': 'key_field'
    },
    'merge': {
        'input': ['input_filename_01', 'input_filename_02'],
        'output': {
            'name': 'output_filename',
            'BOM': False,
            'non-numeric': []
        },
        'on': ['field_name'],
        'mappings': {}
    }
}

对于输出output配置，如果需要输出BOM格式，请把BOM设置为True；若有一些字段需要表达为非数字类字段，以便于在Excel中打开处理的话，请在non-numeric中设置需要处理的相关字段。

自v0.1.7版本开始，支持CSVFileElf.merge

CSVFileElf的处理案例参考

ImageFileElf

Image文件精灵用于日常对图片类文件的处理应用。相关方法如下：

• to_favicon：把图片转化为favicon；对应的配置设定为favicon。

ImageFileElf.to_favicon(input_obj=None, silent: bool = False, **kwargs)

• splice：将input中的图片文件拼接为一张图片；对应的配置设定为splice。

ImageFileElf.splice(input_obj: list = None, silent: bool = False, **kwargs)

• watermark：在指定的x、y坐标中增加水印文字；对应的配置设定为watermark。

ImageFileElf.watermark(input_obj=None, silent: bool = False, **kwargs)

• qrcode：将input的字符串生成二维码；对应的配置设定为qrcode。

ImageFileElf.qrcode(input_obj: str = None, silent: bool = False, **kwargs)

• decode_qrcode：将input的二维码图片解析成字符串，并返回；对应的配置设定为dqrcode。

ImageFileElf.decode_qrcode(input_obj=None, **kwargs)

• to_base64：将input的图片转化为base64字符串，并返回；对应的配置设定为2base64。

ImageFileElf.to_base64(input_obj: bytes = None, **kwargs)

• from_base64：将input的base64字符串转化为图片；对应的配置设定为base64。

ImageFileElf.from_base64(input_obj: str = None, silent: bool = False, **kwargs)

• resize：将input的图片调整尺寸后输出到output；对应的配置设定为resize。

ImageFileElf.resize(input_obj=None, silent: bool = False, **kwargs)

• crop：将input的图片按照loaction裁剪后输出到output；对应的配置设定为crop。当mode为0时，location为left, top, right, bottom构成的数组；当mode为1时，location为left, top, width, right构成的数组。

ImageFileElf.crop(input_obj=None, silent: bool = False, **kwargs)

• fill：将input的图片中loaction的指定区域进行马赛克或者单色填充后输出到output；对应的配置设定为fill。当mode为0时，location为left, top, right, bottom构成的数组；当mode为1时，location为left, top, width, right构成的数组。type为填充方式，M或m表示马赛克填充，单色填充可以用*#8012de*指定到type中实现。

ImageFileElf.fill(input_obj: np.ndarray = None, silent: bool = False, **kwargs)

配置文件设定如下：

{
    'favicon': {
        'size': -1,
        'input': 'input_filename'
    },
    'splice': {
        'output': 'output_filename',
        'input': [],
        'width': 700,
        'gap': 5,
        'color': '#ffffff',
        'mode': 'v'
    },
    'watermark': {
        'input': 'input_filename',
        'output': 'output_filename',
        'text': 'Krix.Tam',
        'color': 'FFFFFF',
        'font': 'arial.ttf',
        'font_size': 24,
        'x': 5,
        'y': 5,
        'alpha': 50
    },
    '2base64': {
        'input': 'input_filename',
        'css_format': False
    },
    'base64': {
        'input': 'base64 string',
        'output': 'output_filename'
    },
    'qrcode': {
        'input': 'string',
        'output': 'output_filename',
        'border': 2,
        'fill_color': "#000000",
        'back_color': "#FFFFFF"
    },
    'dqrcode': {
        'input': 'input_filename'
    },
    'resize': {
        'input': 'input_filename',
        'output': 'output_filename',
        'scale': False,
        'width': 28,
        'height': 28,
        'quality': 100,
        'dpi': 1200
    },
    'crop': {
        'input': 'input_filename',
        'output': 'output_filename',
        'mode': 0,
        'location': [0, 0, 5, 5]
    },
    'fill': {
        'input': 'input_filename',
        'output': 'output_filename',
        'mode': 0,
        'location': [0, 0, 5, 5],
        'unit': 5,
        'type': 'M'
    }
}

• 自v0.1.3版本开始，有如下变更：

  • ImageFileElf.watermark对color参数支持值为"auto"的设定，表示由程序自动选择水印颜色；颜色选择方法为水印所在位置(x, y)区域高频使用颜色的反转颜色。

  • ImageFileElf.splice支持水平拼接（设置mode参数为"H"或"h"，默认为垂直拼接，即mode参数为"v"或"V"）。

• 自v0.1.4版本开始，支持ImageFileElf.crop、ImageFileElf.fill

• 自v0.1.6版本开始，ImageFileElf.splice有如下调整：

  • 原配置项images调整为input，即使用与其他方法保持一致的输入配置项名称

  • 配置项mode除了支持水平（h或H）、垂直（v或V）外，新增自动模式，即自动水平（ah，不区分大小写）、自动垂直（av，不区分大小写）的拼接模式，此时参数width将会被忽略。

• 自v0.1.11版本开始，ImageFileElf.splice配置项mode新增：按照图片最小宽度自动垂直（xv，不区分大小写）或按照最小高度进行自动水平（xh，不区分大小写）的拼接模式，此时参数width将会被忽略。

• 自v0.1.12版本开始，ImageFileElf.splice新增配置项color，表示边框颜色，默认值为白色。

示例

import os
from dfelf import CSVFileElf

df_elf = CSVFileElf()
config = {
    'base': {
        'name': os.path.join('sources', 'df1.csv'),
        'key': 'key'
    },
    'output': {
        'name': 'test_add.csv'
    },
    'tags': [
        {
            'name': os.path.join('sources', 'df3.csv'),
            'key': 'key',
            'fields': ['new_value'],
            'defaults': ['0.0']
        }
    ]
}
df_elf.add(**config)

下面的代码在v0.1.0版本开始，可以获得与上面代码同样的结果：

import os
import pandas as pd
from dfelf import CSVFileElf

df_elf = CSVFileElf()
config = {
    'base': {
        'key': 'key'
    },
    'output': {
        'name': 'test_add.csv'
    },
    'tags': [
        {
            'name': os.path.join('sources', 'df3.csv'),
            'key': 'key',
            'fields': ['new_value'],
            'defaults': ['0.0']
        }
    ]
}
input_df = pd.read_csv(os.path.join('sources', 'df1.csv'), dtype=str)
df_elf.add(input_df, **config)