[PYTHON] Scraping der Powerpoint (pptx) -Tabelle

Liste der Prediger für offene Daten von Open Data des staatlichen CIO-Portals Verschrotten der pptx-Tabelle in documents / opendata-dendoushi_ichiran.pptx)

wget https://cio.go.jp/sites/default/files/uploads/documents/opendata-dendoushi_ichiran.pptx -O ichiran.pptx
pip install python-pptx

import pptx
import pandas as pd

prs = pptx.Presentation("ichiran.pptx")

dfs = []

for page in prs.slides:

    data = [[cell.text for cell in row.cells] for row in page.shapes[1].table.rows]

    dfs.append(pd.DataFrame(data[1:], columns=data[0]))

df = pd.concat(dfs).set_index("No.")

df["Zugehörigkeitsgruppe usw."] = df["Zugehörigkeitsgruppe usw."].str.replace("\n", "", regex=True)

df1 = df.join(
    df["Vollständiger Name"].str.split("\n", expand=True).rename(columns={0: "Furigana", 1: "Name"})
).drop("Vollständiger Name", axis=1)

df2 = df1.reindex(columns=["Name", "Furigana", "Hauptaktivitätsbereich", "Bisherige große Erfolge", "Zugehörigkeitsgruppe usw."])

df2.to_csv("ichiran.csv", encoding="utf_8_sig")