From 81eca979c9303f71140687da31d9186a0e2108ca Mon Sep 17 00:00:00 2001
From: Muxiaoxiong <46742031+muxiaoxiong@users.noreply.github.com>
Date: Mon, 8 Nov 2021 15:49:13 +0800
Subject: [PATCH] Add files via upload
---
OfficeAutomation/Task04-python与pdf.md | 676 +++++++++++++++++++++++++
1 file changed, 676 insertions(+)
create mode 100644 OfficeAutomation/Task04-python与pdf.md
diff --git a/OfficeAutomation/Task04-python与pdf.md b/OfficeAutomation/Task04-python与pdf.md
new file mode 100644
index 0000000..60d0a14
--- /dev/null
+++ b/OfficeAutomation/Task04-python与pdf.md
@@ -0,0 +1,676 @@
+
+
+
+
+#### Task 04 Python办公自动化--PDF篇
+
+PDF 操作是本次自动化办公的最后一个知识点，初级的 PDF 自动化包括 PDF 文档的拆分、合并、提取等操作，更高级的还包括 WORD与PDF互转等
+
+初级操作一般比较常用，也可以解决较多的办公内容，所以本节将会主要介绍 PDF 的初级操作，具体内容将会从以下几个小节展开：
+
+- Task 04 Python办公自动化--PDF篇
+ - [4.1 相关介绍](#4.1)
+ - [4.2 批量拆分](#4.2)
+ - [4.3 批量合并](#4.3)
+ - [4.4 提取文字内容](#4.4)
+ - [4.5 提取表格内容](#4.5)
+ - [4.6 提取图片内容](#4.6)
+ - [4.7 转换为PDF图片](#4.7)
+ - [4.7.1 安装 pdf2image](#4.7.1)
+ - [4.7.2 安装组件](#4.7.2)
+ - [4.8 添加水印](#4.8)
+ - [4.9 加密与解码](#4.9)
+
+下面直接开始本节内容。
+
+
+
+#### 4.1. 相关介绍
+
+Python 操作 PDF 会用到两个库，分别是：PyPDF2 和 pdfplumber
+
+其中 **PyPDF2** 可以更好的读取、写入、分割、合并PDF文件，而 **pdfplumber** 可以更好的读取 PDF 文件中内容和提取 PDF 中的表格
+
+对应的官网分别是：
+
+> PyPDF2：https://pythonhosted.org/PyPDF2/
+>
+> pdfplumber：https://github.com/jsvine/pdfplumber
+
+由于这两个库都不是 Python 的标准库，所以在使用之前都需要单独安装
+
+win+r 后输入 cmd 打开 command 窗口，依次输入如下命令进行安装：
+
+> pip install PyPDF2
+>
+> pip install pdfplumber
+
+安装完成后显示 success 则表示安装成功
+
+
+
+另外，在下文中需要用到两个文件：一个是本次教程的处理目标PDF、一个是在添加水印章节需要用到的水印PDF文件
+
+其中第一个PDF大家可以换成自己想要处理的目标PDF，在下文的代码中修改相应的名称即可；第二个PDF大家可以根据文中给出的教程自行生成水印PDF文件（嫌麻烦的同学可以直接用我提供的水印PDF即可）
+
+上述两个文件的下载链接如下：https://pan.baidu.com/s/10OpbHzyQBTWhJ9Rz7t1_BQ 提取码：1025
+
+> 另外，需要注意的是，第一个PDF和第二个PDF直接放在运行代码的同级目录下即可，运行的时候无需创建文件夹，大家注意下！
+
+
+
+#### 4.2. 批量拆分
+
+将一个完整的 PDF 拆分成几个小的 PDF，因为主要涉及到 PDF 整体的操作，所以本小节需要用到 PyPDF2 这个库
+
+拆分的大概思路如下：
+
+- 读取 PDF 的整体信息、总页数等
+- 遍历每一页内容，以每个 step 为间隔将 PDF 存成每一个小的文件块
+- 将小的文件块重新保存为新的 PDF 文件
+
+需要注意的是，在拆分的过程中，可以手动设置间隔，例如：每5页保存成一个小的 PDF 文件
+
+拆分的代码如下：
+
+```python
+import os
+from PyPDF2 import PdfFileWriter, PdfFileReader
+
+def split_pdf(filename, filepath, save_dirpath, step=5):
+ """
+ 拆分PDF为多个小的PDF文件，
+ @param filename:文件名
+ @param filepath:文件路径
+ @param save_dirpath:保存小的PDF的文件路径
+ @param step: 每step间隔的页面生成一个文件，例如step=5，表示0-4页、5-9页...为一个文件
+ @return:
+ """
+ if not os.path.exists(save_dirpath):
+ os.mkdir(save_dirpath)
+ pdf_reader = PdfFileReader(filepath)
+ # 读取每一页的数据
+ pages = pdf_reader.getNumPages()
+ for page in range(0, pages, step):
+ pdf_writer = PdfFileWriter()
+ # 拆分pdf，每 step 页的拆分为一个文件
+ for index in range(page, page+step):
+ if index < pages:
+ pdf_writer.addPage(pdf_reader.getPage(index))
+ # 保存拆分后的小文件
+ save_path = os.path.join(save_dirpath, filename+str(int(page/step)+1)+'.pdf')
+ print(save_path)
+ with open(save_path, "wb") as out:
+ pdf_writer.write(out)
+
+ print("文件已成功拆分，保存路径为："+save_dirpath)
+
+filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
+filepath = os.path.join(os.getcwd(), filename)
+save_dirpath = os.path.join(os.getcwd(), '易方达中小盘混合型证券投资基金2020年中期报告【拆分】')
+split_pdf(filename, filepath, save_dirpath, step=5)
+
+```
+
+以“易方达中小盘混合型证券投资基金2020年中期报告”为例，整个 PDF 文件一共 46 页，每5页为间隔，最终生成了10个小的 PDF 文件
+
+
+
+
+
+**需要注意的是：**
+
+如果你是第一次运行代码，在运行过程中报如下的错误，可以通过以下方法解决：
+
+
+
+如果是在 Pycharm 下，直接通过报错信息，点击 utils.py 文件，定位到第 238 行原文
+
+原文中是这样的：
+
+```python
+ r = s.encode('latin-1')
+ if len(s) < 2:
+ bc[s] = r
+ return r
+```
+
+修改为：
+
+```python
+try:
+ r = s.encode('latin-1')
+ if len(s) < 2:
+ bc[s] = r
+ return r
+except Exception as e:
+ r = s.encode('utf-8')
+ if len(s) < 2:
+ bc[s] = r
+ return r
+```
+
+如果你使用的是 **anaconda**，对应的文件路径应该为：anaconda\Lib\site-packages\PyPDF2\utils.py，进行同样的修改操作即可
+
+
+
+#### 4.3. 批量合并
+
+比起拆分来，合并的思路更加简单：
+
+- 确定要合并的 **文件顺序**
+- 循环追加到一个文件块中
+- 保存成一个新的文件
+
+对应的代码比较简单，基本不会出现问题：
+
+```python
+import os
+from PyPDF2 import PdfFileReader, PdfFileWriter
+
+def concat_pdf(filename, read_dirpath, save_filepath):
+ """
+ 合并多个PDF文件
+ @param filename:文件名
+ @param read_dirpath:要合并的PDF目录
+ @param save_filepath:合并后的PDF文件路径
+ @return:
+ """
+ pdf_writer = PdfFileWriter()
+ # 对文件名进行排序
+ list_filename = os.listdir(read_dirpath)
+ list_filename.sort(key=lambda x: int(x[:-4].replace(filename, "")))
+ for filename in list_filename:
+ print(filename)
+ filepath = os.path.join(read_dirpath, filename)
+ # 读取文件并获取文件的页数
+ pdf_reader = PdfFileReader(filepath)
+ pages = pdf_reader.getNumPages()
+ # 逐页添加
+ for page in range(pages):
+ pdf_writer.addPage(pdf_reader.getPage(page))
+ # 保存合并后的文件
+ with open(save_filepath, "wb") as out:
+ pdf_writer.write(out)
+ print("文件已成功合并，保存路径为："+save_filepath)
+
+filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
+read_dirpath = os.path.join(os.getcwd(), '易方达中小盘混合型证券投资基金2020年中期报告【拆分】')
+save_filepath = os.path.join(os.getcwd(), '易方达中小盘混合型证券投资基金2020年中期报告-合并后.pdf')
+concat_pdf(filename, read_dirpath, save_filepath)
+
+```
+
+
+
+#### 4.4. 提取文字内容
+
+涉及到具体的 PDF 内容 操作，本小节需要用到 pdfplumber 这个库
+
+在进行文字提取的时候，主要用到 extract_text 这个函数
+
+具体代码如下：
+
+```python
+import os
+import pdfplumber
+
+def extract_text_info(filepath):
+ """
+ 提取PDF中的文字
+ @param filepath:文件路径
+ @return:
+ """
+ with pdfplumber.open(filepath) as pdf:
+ # 获取第2页数据
+ page = pdf.pages[1]
+ print(page.extract_text())
+
+filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
+filepath = os.path.join(os.getcwd(), filename)
+# 提取文字内容
+extract_text_info(filepath)
+
+```
+
+可以看到，直接通过下标即可定位到相应的页码，从而通过 extract_text 函数提取该也的所有文字
+
+而如果想要提取所有页的文字，只需要改成：
+
+```python
+with pdfplumber.open(filepath) as pdf:
+ # 获取全部数据
+ for page in pdf.pages
+ print(page.extract_text())
+```
+
+例如，提取“易方达中小盘混合型证券投资基金2020年中期报告” 第一页的内容时，源文件是这样的：
+
+
+
+运行代码后提取出来是这样的：
+
+
+
+> 拓展一下：此处可以结合前面 word 小节，将内容写入 word 文件中
+
+
+
+#### 4.5. 提取表格内容
+
+同样的，本节是对具体内容的操作，所以也需要用到 pdfplumber 这个库
+
+和提取文字十分类似的是，提取表格内容只是将 extract_text 函数换成了 extract_table 函数
+
+对应的代码如下：
+
+```python
+import os
+import pandas as pd
+import pdfplumber
+
+def extract_table_info(filepath):
+ """
+ 提取PDF中的图表数据
+ @param filepath:
+ @return:
+ """
+ with pdfplumber.open(filepath) as pdf:
+ # 获取第18页数据
+ page = pdf.pages[17]
+ # 如果一页有一个表格，设置表格的第一行为表头，其余为数据
+ table_info = page.extract_table()
+ df_table = pd.DataFrame(table_info[1:], columns=table_info[0])
+ df_table.to_csv('dmeo.csv', index=False, encoding='gbk')
+
+filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
+filepath = os.path.join(os.getcwd(), filename)
+# 提取表格内容
+extract_table_info(filepath)
+
+```
+
+上面代码可以获取到第 18 页的第一个表格内容，并且将其保存为 csv 文件存在本地
+
+> 但是，如果说第 18 页有多个表格内容呢？
+
+因为读取的表格会被存成二维数组，而多个二维数组就组成一个三维数组
+
+遍历这个三位数组，就可以得到该页的每一个表格数据，对应的将 extract_table 函数 改成 extract_tables 即可
+
+具体代码如下：
+
+```python
+import os
+import pandas as pd
+import pdfplumber
+
+def extract_table_info(filepath):
+ """
+ 提取PDF中的图表数据
+ @param filepath:
+ @return:
+ """
+ with pdfplumber.open(filepath) as pdf:
+ # 获取第7页数据
+ page = pdf.pages[6]
+ # 如果一页有多个表格，对应的数据是一个三维数组
+ tables_info = page.extract_tables()
+ for index in range(len(tables_info)):
+ # 设置表格的第一行为表头，其余为数据
+ df_table = pd.DataFrame(tables_info[index][1:], columns=tables_info[index][0])
+ df_table.to_csv('dmeo.csv', index=False, encoding='gbk')
+
+filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
+filepath = os.path.join(os.getcwd(), filename)
+# 提取表格内容
+extract_table_info(filepath)
+
+```
+
+以“易方达中小盘混合型证券投资基金2020年中期报告” 第 xx 页的第一个表格为例：
+
+源文件中的表格是这样的：
+
+
+
+提取并存入 excel 之后的表格是这样的：
+
+
+
+
+
+#### 4.6. 提取图片内容
+
+提取 PDF 中的图片和将 PDF 转存为图片是不一样的（下一小节），需要区分开。
+
+提取图片：顾名思义，就是将内容中的图片都提取出来；转存为图片：则是将每一页的 PDF 内容存成一页一页的图片，下一小节会详细说明
+
+转存为图片中，需要用到一个模块叫 fitz，fitz 的最新版 1.18.13，非最新版的在部分函数名称上存在差异，代码中会标记出来
+
+使用 fitz 需要先安装 PyMuPDF 模块，安装方式如下：
+
+> pip install PyMuPDF
+
+提取图片的整体逻辑如下：
+
+- 使用 fitz 打开文档，获取文档详细数据
+- 遍历每一个元素，通过正则找到图片的索引位置
+- 使用 Pixmap 将索引对应的元素生成图片
+- 通过 size 函数过滤较小的图片
+
+实现的具体代码如下：
+
+```python
+import os
+import re
+import fitz
+
+def extract_pic_info(filepath, pic_dirpath):
+ """
+ 提取PDF中的图片
+ @param filepath:pdf文件路径
+ @param pic_dirpath:要保存的图片目录路径
+ @return:
+ """
+ if not os.path.exists(pic_dirpath):
+ os.makedirs(pic_dirpath)
+ # 使用正则表达式来查找图片
+ check_XObject = r"/Type(?= */XObject)"
+ check_Image = r"/Subtype(?= */Image)"
+ img_count = 0
+
+ """1. 打开pdf，打印相关信息"""
+ pdf_info = fitz.open(filepath)
+ # 1.16.8版本用法 xref_len = doc._getXrefLength()
+ # 最新版本
+ xref_len = pdf_info.xref_length()
+ # 打印PDF的信息
+ print("文件名：{}, 页数: {}, 对象: {}".format(filepath, len(pdf_info), xref_len-1))
+
+ """2. 遍历PDF中的对象，遇到是图像才进行下一步，不然就continue"""
+ for index in range(1, xref_len):
+ # 1.16.8版本用法 text = doc._getXrefString(index)
+ # 最新版本
+ text = pdf_info.xref_object(index)
+
+ is_XObject = re.search(check_XObject, text)
+ is_Image = re.search(check_Image, text)
+ # 如果不是对象也不是图片，则不操作
+ if is_XObject or is_Image:
+ img_count += 1
+ # 根据索引生成图像
+ pix = fitz.Pixmap(pdf_info, index)
+ pic_filepath = os.path.join(pic_dirpath, 'img_' + str(img_count) + '.png')
+ """pix.size 可以反映像素多少，简单的色素块该值较低，可以通过设置一个阈值过滤。以阈值 10000 为例过滤"""
+ # if pix.size < 10000:
+ # continue
+
+ """三、 将图像存为png格式"""
+ if pix.n >= 5:
+ # 先转换CMYK
+ pix = fitz.Pixmap(fitz.csRGB, pix)
+ # 存为PNG
+ pix.writePNG(pic_filepath)
+
+filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
+filepath = os.path.join(os.getcwd(), filename)
+pic_dirpath = os.path.join(os.getcwd(), '易方达中小盘混合型证券投资基金2020年中期报告【文中图片】')
+# 提取图片内容
+extract_pic_info(filepath, pic_dirpath)
+
+```
+
+以本节示例的“易方达中小盘混合型证券投资基金2020年中期报告” 中的图片为例，代码运行后提取的图片如下：
+
+
+
+这个结果和文档中的共 1 张图片的 **结果符合**
+
+
+
+#### 4.7. 转换为图片
+
+转换为照片比较简单，就是将一页页的 PDF 转换为一张张的图片。大致过程如下：
+
+##### 4.7.1 安装 pdf2image
+
+首先需要安装对应的库，最新的 pdf2image 库版本应该是 1.14.0
+
+它的 github地址 为：https://github.com/Belval/pdf2image ，感兴趣的可以自行了解
+
+安装方式如下：
+
+> pip install pdf2image
+
+##### 4.7.2 安装组件
+
+对于不同的平台，需要安装相应的组件，这里以 windows 平台和 mac 平台为例：
+
+**Windows 平台**
+
+对于 windows 用户需要安装 poppler for Windows，安装链接是：http://blog.alivate.com.au/poppler-windows/
+
+另外，还需要添加环境变量， 将 bin 文件夹的路径添加到环境变量 PATH 中
+
+> 注意这里配置之后需要重启一下电脑才会生效，不然会报如下错误：
+
+**Mac**
+
+对于 mac 用户，需要安装 poppler for Mac，具体可以参考这个链接：http://macappstore.org/poppler/
+
+
+
+详细代码如下：
+
+```python
+import os
+from pdf2image import convert_from_path, convert_from_bytes
+
+def convert_to_pic(filepath, pic_dirpath):
+ """
+ 每一页的PDF转换成图片
+ @param filepath:pdf文件路径
+ @param pic_dirpath:图片目录路径
+ @return:
+ """
+ print(filepath)
+ if not os.path.exists(pic_dirpath):
+ os.makedirs(pic_dirpath)
+
+ images = convert_from_bytes(open(filepath, 'rb').read())
+ # images = convert_from_path(filepath, dpi=200)
+ for image in images:
+ # 保存图片
+ pic_filepath = os.path.join(pic_dirpath, 'img_'+str(images.index(image))+'.png')
+ image.save(pic_filepath, 'PNG')
+
+# PDF转换为图片
+convert_to_pic(filepath, pic_dirpath)
+
+
+filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
+filepath = os.path.join(os.getcwd(), filename)
+pic_dirpath = os.path.join(os.getcwd(), '易方达中小盘混合型证券投资基金2020年中期报告【转换为图片】')
+# PDF转换为图片
+convert_to_pic(filepath, pic_dirpath)
+
+```
+
+以本节示例的“易方达中小盘混合型证券投资基金2020年中期报告” 中的图片为例，该文档共 46 页，保存后的 PDF 照片如下：
+
+
+
+一共 46 张图片
+
+
+
+#### 4.8. 添加水印
+
+PDF 中添加水印，首先需要一个水印PDF文件，然后依次通过 mergePage 操作将每一页的 PDF 文件合并到水印文件上，据此，每一页的 PDF 文件将是一个带有水印的 PDF 文件
+
+最后，将每一页的水印 PDF 合并成一个 PDF 文件即可
+
+**生成水印**
+
+生成水印的方式比较多，例如在图片添加水印，然后将图片插入到 word 中，最后将 word 保存成 PDF 文件即可
+
+生成一张 A4 纸大小的空白图片，参考这篇文章：[Python 批量加水印！轻松搞定！](https://mp.weixin.qq.com/s/_oJA6lbsdMlRRsBf6DPxsg) 给图片添加水印，最终的水印背景图片是这样的：
+
+
+
+然后将图片插入到 word 中并最终生成一个水印 PDF 文档
+
+PDF 文档添加水印的主要代码如下：
+
+```python
+import os
+from copy import copy
+from PyPDF2 import PdfFileReader, PdfFileWriter
+
+def add_watermark(filepath, save_filepath, watermark_filepath):
+ """
+ 添加水印
+ @param filepath:PDF文件路径
+ @param save_filepath:最终的文件保存路径
+ @param watermark_filepath:水印PDF文件路径
+ @return:
+ """
+ """读取PDF水印文件"""
+ # 可以先生成一个空白A4大小的png图片，通过 https://mp.weixin.qq.com/s/_oJA6lbsdMlRRsBf6DPxsg 教程的方式给图片加水印，将图片插入到word中并最终生成一个水印PDF文档
+ watermark = PdfFileReader(watermark_filepath)
+ watermark_page = watermark.getPage(0)
+
+ pdf_reader = PdfFileReader(filepath)
+ pdf_writer = PdfFileWriter()
+
+ for page_index in range(pdf_reader.getNumPages()):
+ current_page = pdf_reader.getPage(page_index)
+ # 封面页不添加水印
+ if page_index == 0:
+ new_page = current_page
+ else:
+ new_page = copy(watermark_page)
+ new_page.mergePage(current_page)
+ pdf_writer.addPage(new_page)
+ # 保存水印后的文件
+ with open(save_filepath, "wb") as out:
+ pdf_writer.write(out)
+
+filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
+filepath = os.path.join(os.getcwd(), filename)
+save_filepath = os.path.join(os.getcwd(), '易方达中小盘混合型证券投资基金2020年中期报告-水印.pdf')
+watermark_filepath = os.path.join(os.getcwd(), 'watermark.pdf')
+# 添加水印
+add_watermark(filepath, save_filepath, watermark_filepath)
+
+```
+
+以本节示例的“易方达中小盘混合型证券投资基金2020年中期报告” 为例，添加水印后的文档如下：
+
+
+
+
+
+#### 4.9. 文档加密与解密
+
+你可能在打开部分 PDF 文件的时候，会弹出下面这个界面：
+
+
+
+这种就是 PDF 文件被加密了，在打开的时候需要相应的密码才行
+
+本节所提到的也只是基于 PDF 文档的加密解密，而不是所谓的 PDF 密码破解。
+
+在对 PDF 文件加密需要使用 encrypt 函数，对应的加密代码也比较简单：
+
+```python
+import os
+from PyPDF2 import PdfFileReader, PdfFileWriter
+
+def encrypt_pdf(filepath, save_filepath, passwd='xiaoyi'):
+ """
+ PDF文档加密
+ @param filepath:PDF文件路径
+ @param save_filepath:加密后的文件保存路径
+ @param passwd:密码
+ @return:
+ """
+ pdf_reader = PdfFileReader(filepath)
+ pdf_writer = PdfFileWriter()
+
+ for page_index in range(pdf_reader.getNumPages()):
+ pdf_writer.addPage(pdf_reader.getPage(page_index))
+
+ # 添加密码
+ pdf_writer.encrypt(passwd)
+ with open(save_filepath, "wb") as out:
+ pdf_writer.write(out)
+
+filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf'
+filepath = os.path.join(os.getcwd(), filename)
+save_filepath = os.path.join(os.getcwd(), '易方达中小盘混合型证券投资基金2020年中期报告-加密后.pdf')
+# 文档加密
+encrypt_pdf(filepath, save_filepath, passwd='xiaoyi')
+
+```
+
+代码执行成功后再次打开 PDF 文件则需要输入密码才行
+
+根据这个思路，破解 PDF 也可以通过暴力求解实现，例如：通过本地密码本一个个去尝试，或者根据数字+字母的密码形式循环尝试，最终成功打开的密码就是破解密码
+
+> 上述破解方法耗时耗力，不建议尝试
+
+
+
+另外，针对已经加密的 PDF 文件，也可以使用 decrypt 函数进行解密操作
+
+解密代码如下：
+
+```python
+def decrypt_pdf(filepath, save_filepath, passwd='xiaoyi'):
+ """
+ 解密 PDF 文档并且保存为未加密的 PDF
+ @param filepath:PDF文件路径
+ @param save_filepath:解密后的文件保存路径
+ @param passwd:密码
+ @return:
+ """
+ pdf_reader = PdfFileReader(filepath)
+ # PDF文档解密
+ pdf_reader.decrypt('xiaoyi')
+
+ pdf_writer = PdfFileWriter()
+ for page_index in range(pdf_reader.getNumPages()):
+ pdf_writer.addPage(pdf_reader.getPage(page_index))
+
+ with open(save_filepath, "wb") as out:
+ pdf_writer.write(out)
+
+filename = '易方达中小盘混合型证券投资基金2020年中期报告-加密后.pdf'
+filepath = os.path.join(os.getcwd(), filename)
+save_filepath = os.path.join(os.getcwd(), '易方达中小盘混合型证券投资基金2020年中期报告-解密后.pdf')
+# 文档解密
+decrypt_pdf(filepath, save_filepath, passwd='xiaoyi')
+
+```
+
+解密完成后的 PDF 文档打开后不再需要输入密码，如需加密可再次执行加密代码。
+
+
+
+----
+
+
+
+ **Task04 END.**
+
+--- By: xiaoyi
+
+>**Datawhale成员，数据分析从业者，金融风控爱好者**
+>
+>**公众号：小一的学习笔记**
+
+关于Datawhale：
+
+Datawhale是一个专注于数据科学与AI领域的开源组织，汇集了众多领域院校和知名企业的优秀学习者，聚合了一群有开源精神和探索精神的团队成员。Datawhale 以“for the learner，和学习者一起成长”为愿景，鼓励真实地展现自我、开放包容、互信互助、敢于试错和勇于担当。同时 Datawhale 用开源的理念去探索开源内容、开源学习和开源方案，赋能人才培养，助力人才成长，建立起人与人，人与知识，人与企业和人与未来的联结。