はじめに
Pythonで特定のフォルダのファイルリストをまとめる際、ファイルのパスやファイルサイズの取得はosモジュールを使えば簡単にできる。しかし、PDFファイル、エクセル、ワード、パワーポイントのページ数を取得するには、専用のモジュールを使う必要がある。この記事では、各ファイルのページ数を取得する方法についてまとめてみた。
目次
PDFファイルのページ数取得
pdfファイルのページ数取得はpypdfを使えばできる。
pypdf.PdfReader()でPDFファイルを読み出し。pdf.pagesでページ数を取得する。
pypdfは、PDFの色々な操作ができる。その他操作はPythonでPDFファイルの読み書きマージやパスワード解除したりする。を参照。
import pypdf
file_path = 'ファイルのパス'
pdf = pypdf.PdfReader(file_path)
print(len(pdf.pages))
エクセルファイルのページ数取得
エクセルファイルはopenpyxlでページ数を取得できる。ただし、旧ファイルのxlsは取得できないのでwin32comを使う必要がある。各モジュールはpipで取得する。win32comは、xlsとxlsx両方にも対応している。ただ、win32comはLinuxでは使えないので注意。
pip install openpyxl
pip install pywin32
import openpyxl as px
import win32com.client # pip install pywin32
file_path = 'ファイルのパス'
#xlsxファイルの場合
xls = load_workbook(file_path, read_only=True)
print(len(xls.sheetnames))
#xlsファイルの場合
excel = win32com.client.Dispatch("Excel.Application")
xls = excel.Workbooks.Open(file_path)
print(xls.Sheets.Count)
xls.Close(SaveChanges=False)
excel.Quit()
ワードファイルのページ数取得
ワードファイルはpython-docxでページ数を取得できる。ただし、旧ファイルのdocは取得できないのでwin32comを使う必要がある。各モジュールはpipで取得する。win32comは、docとdocx両方対応している。そのため、わざわざpython-docxを使う必要はないかもしれない。ただ、win32comはLinuxでは使えないので注意。
pip install python-docx
pip install pywin32
from docx import Document #pip install python-docx
import win32com.client # pip install pywin32
file_path = 'ファイルのパス'
#docxファイルの場合
doc = Document(file_path)
print(len(doc.element.body.xpath('//w:secPr'))) #//w:secPrでページのセクション数を取得する
#docファイルの場合
word = win32com.client.Dispatch("Word.Application")
doc = word.Documents.Open(file_path)
print(doc.ComputeStatistics(2)) # 2 = wdStatisticPages
doc.Close(SaveChanges=False)
word.Quit()
パワーポイントファイルのページ数取得
パワーポイントファイルはpython-pptxでページ数を取得できる。ただし、旧ファイルのpptは取得できないのでwin32comを使う必要がある。各モジュールはpipで取得する。win32comは、pptとpptx両方対応しているの。パワーポイントをwin32comで実行する場合、バックグラウンドでファイルを開くことができない。一度ファイルを開く分、サイズ計測の時間が長くなる。計測対象がpptxだけなのであればpython-pptxの方が良いと思う。
pip install python-pptx
pip install pywin32
from pptx import Presentation #pip install python-pptx
import win32com.client # pip install pywin32
file_path = 'ファイルのパス'
#pptxファイルの場合
ppt = Presentation(file_path)
print(len(ppt.slides)
#pptファイルの場合
power = win32com.client.Dispatch("PowerPoint.Application")
ppt = power.Presentations.Open(file_path)
print(ppt.Slides.Count)
ppt.Close()
power.Quit()
ファイルリスト作成の例
最後に、特定のフォルダの"フォルダパス"、"ファイル名"、"ファイルのページ数"、"ファイルのサイズ"をエクセルファイルに出力する例を作ってみた。
関数get_page_count()で、拡張子別にファイルのページ数を取得している。ファイルのリンク付けにはopenpyxlを使っている。
import os
import re
import pandas as pd
import pypdf
from docx import Document #pip install python-docx
from pptx import Presentation #pip install python-pptx
import win32com.client # pip install pywin32
import openpyxl as px
from openpyxl import load_workbook
from openpyxl.styles import Font
def get_page_count(dir, file, ext):
RetLen = 'None'
try:
file_path = os.path.join(dir,file)
if ext in ['.pdf']:
pdf = pypdf.PdfReader(file_path)
RetLen = len(pdf.pages)
# 段落がある場合はこちらでも計測できる
#elif ext in ['.docx']:
# doc = Document(file_path)
# RetLen = len(doc.element.body.xpath('//w:secPr'))
elif ext in ['.pptx']:
ppt = Presentation(file_path)
RetLen = len(ppt.slides)
elif ext in ['.xlsx','xlsm','.XLSM']:
xls = load_workbook(file_path, read_only=True)
RetLen = len(xls.sheetnames)
elif ext in ['.doc','.docx']:
word = win32com.client.Dispatch("Word.Application")
doc = word.Documents.Open(file_path)
RetLen = doc.ComputeStatistics(2) # 2 = wdStatisticPages
doc.Close(SaveChanges=False)
word.Quit()
elif ext in ['.ppt']:
power = win32com.client.Dispatch("PowerPoint.Application")
ppt = power.Presentations.Open(file_path)
RetLen = ppt.Slides.Count
ppt.Close()
power.Quit()
elif ext in ['.xls']:
excel = win32com.client.Dispatch("Excel.Application")
xls = excel.Workbooks.Open(file_path)
RetLen = xls.Sheets.Count
xls.Close(SaveChanges=False)
excel.Quit()
else:
RetLen = 'None'
return RetLen
except:
print(sys.exc_info())
RetLen = 'Error'
return RetLen
def get_size_count(dir, file):
try:
return f'{os.path.getsize(os.path.join(dir,file))//1024:,}'
except:
print(sys.exc_info())
return 'Error'
def main():
file_dic={'フォルダパス':[],'フォルダLink':[],'ファイル':[],'拡張子':[],'ページ数':[],'サイズ(kB)':[]}
# 現在フォルダからサブフォルダも再帰的に確認する
for Dir, SubDirs, Files in os.walk(os.getcwd()):
for f in Files:
file_dic['フォルダパス'].append(Dir)
file_dic['フォルダLink'].append('Link')
file_dic['ファイル'].append(f)
file,ext=os.path.splitext(f)
file_dic['拡張子'].append(ext)
file_dic['ページ数'].append(get_page_count(Dir,f,ext))
file_dic['サイズ(kB)'].append(get_size_count(Dir,f))
# データフレーム化
df = pd.DataFrame(file_dic)
# エクセル出力
df.to_excel('リスト.xlsx',index=False)
# リンクをつけるためopenpyxlで開く
wb=px.load_workbook('リスト.xlsx')
ws=wb.active
# "フォルダパス"と"ファイル"の列にリンクをつける
for cnt, (d,f) in enumerate(zip( df['フォルダパス'], df['ファイル']) ):
#フォルダパスリンク
cell = ws.cell(cnt+2,2)
cell.hyperlink = f'{d}'
cell.font = Font(color="0000FF", underline="single")
#ファイルリンク
cell = ws.cell(cnt+2,3)
cell.hyperlink = f'{os.path.join(d,f)}'
cell.font = Font(color="0000FF", underline="single")
wb.save('リスト.xlsx')
if __name__=="__main__":
main()